Python: subconjunto de marco de datos por nombre de columna

Usando la biblioteca de Pandas, podemos realizar múltiples operaciones en un DataFrame. Incluso podemos crear y acceder al subconjunto de un DataFrame en múltiples formatos. La tarea aquí es crear un subconjunto DataFrame por nombre de columna. Podemos elegir diferentes métodos para realizar esta tarea. Estos son los métodos posibles que se mencionan a continuación:

Antes de realizar cualquier acción, debemos escribir algunas líneas de código para importar las bibliotecas necesarias y crear un DataFrame.

Crear el marco de datos

#import pandas
import pandas as pd
  
# create dataframe
data = {'Name': ['John', 'Emily', 'Lara', 'Lucas', 'Katy', 'Jordan'], 
        'Gender': [30, 27, 21, 21, 16, 20], 
        'Branch': ['Arts', 'Arts', 'Commerce', 'Science', 
                   'Science', 'Science'],
        'pre_1': [9, 9, 10, 7, 6, 9],
        'pre_2': [8, 7, 10, 6, 8, 8]}
  
df = pd.DataFrame(data)
df

Producción:

Método 1: Usar la función  iloc() de Python

Esta función nos permite crear un subconjunto eligiendo valores específicos de columnas basadas en índices. 

Sintaxis:

df_name.iloc[beg_index:end_index+1,beg_index:end_index+1]

Ejemplo: Cree un subconjunto con la columna Nombre, Sexo y Rama

# create a subset of all rows
# and Name, Gender and Branch column
df.iloc[:, 0:3]

Producción :

Método 2: usar el operador de indexación

Podemos usar el operador de indexación, es decir, corchetes para crear un marco de datos de subconjunto 

Ejemplo: crear un subconjunto con las columnas Nombre, pre_1 y pre_2

# creating subset dataframe using 
# indexing operator
df[['Name', 'pre_1', 'pre_2']]

Producción – 

Método 3: Usar el método filter() con la palabra clave similar

Podemos usar este método particularmente cuando tenemos que crear un marco de datos de subconjunto con columnas que tienen nombres con patrones similares.

Ejemplo: crear un subconjunto con las columnas pre_1 y pre_2

# create a subset of columns pre_1 and pre_2
# using filter() method
df.filter(like='pre')

Producción: