時系列DataFrameで特定列に含まれるキーワードにより行を抽出

Question

• 最終目標
  Python, Pandasでlogファイルの時系列解析

• 実現したいこと
  時系列DataFrameにおいて、特定列に含まれるキーワードにより行を抽出
  具体的には、列名"Refid"に"PPS"というキーワードが含まれれば、その行を抽出

質問者背景
・Python初学者
・開発経験　Excel VBAのみ

(Original) logデータ

refclocks.log

(前処理後) logデータ

前処理は最下部記載のコードをご参照。

	Date Time(UTC)	Refid	Raw offset	Cooked offset	Disp.
0	2019-05-25 16:51:22.999972	PPSx	2.731100e-05	0.000027	1.000000e-09
1	2019-05-25 16:51:22.323771	NMEA	-3.237718e-01	0.176228	1.000000e-03
2	2019-05-25 16:51:23.999975	PPS	2.434500e-05	0.000024	1.000000e-09
3	2019-05-25 16:51:23.999975	PPSx	2.434500e-05	0.000024	1.000000e-09
4	2019-05-25 16:51:23.324379	NMEA	-3.243791e-01	0.175621	1.000000e-03
5	2019-05-25 16:51:24.999973	PPS	2.658800e-05	0.000027	1.000000e-09
6	2019-05-25 16:51:24.999973	PPSx	2.658800e-05	0.000027	1.000000e-09

** 各列の型**

In[]: df.dtypes

Out[]:
Date Time(UTC) datetime64[ns]
Refid object
Raw offset float64
Cooked offset float64
Disp. float64
dtype: object

【理想】抽出後のDataFrame

	Date Time(UTC)	Refid	Raw offset	Cooked offset	Disp.
2	2019-05-25 16:51:23.999975	PPS	2.434500e-05	0.000024	1.000000e-09
5	2019-05-25 16:51:24.999973	PPS	2.658800e-05	0.000027	1.000000e-09

【現状】抽出失敗したDataFrame

• 試したこと１(→ 正常動作を確認)
  DataFrameに時系列を含まなければ、上記の理想通りとなるが、
  時系列を含むと以下のようなる。

In[]: df[df['Refid'] == 'PPS']

Out[]:
||Date Time(UTC)|Refid|Raw offset|Cooked offset|Disp.|
|:--|:--|:--|
|0|NaT|NaN|NaN|NaN|NaN|
|1|NaT|NaN|NaN|NaN|NaN|
|2|NaT|PPS|NaN|NaN|NaN|
|3|NaT|NaN|NaN|NaN|NaN|
|4|NaT|NaN|NaN|NaN|NaN|
|5|NaT|PPS|NaN|NaN|NaN|
|6|NaT|NaN|NaN|NaN|NaN|

↑logファイル前処理のバグが原因だった

---

• 試したこと２(→ 正常動作を確認)

In[]: df.query('Refid' == 'PPS')

Out[]:
...
ValueError: expr must be a string to be evaluated, <class 'bool'> given
** ↑logファイル前処理のバグが原因だった**

【解決済】Code

import numpy as np
import pandas as pd
import re             #正規表現

path = "D:\refclocks.log"

# 列名の取得
#    logファイル先頭３行から抽出
def get_Header(f):
    c = 0
    for a in f:
        if '=' not in a:
            a = a.lstrip(' ') #文字列先頭の半角スペースを削除
            s = re.sub(r" +", ",", a)
            s = s.replace("Date,(UTC),Time,", "Date Time(UTC),") #1列目と２列目を結合
            s = s.replace("Raw,offset,", "Raw offset,")
            s = s.replace("Cooked,offset,", "Cooked offset,")
            s = s.replace("\n", "")       #改行コードの除去
            s = s.split(",")
            del s[2:5]                         #不要な列の削除

        c += 1
        if c == 3:
            break

    return s

def get_Body(f, body):
# ファイル先頭以外に定期的に含まれる列名(3行連続)は無視
    for a in f:
        if '=' not in a:
            if a[0] != ' ':
                s = re.sub(r" +", ",", a) #複数半角スペース → １つの半角スペース                
                s = s.replace("\n", "")   #改行コードの除去
                s = s.split(",")
                tmp = s[0] + ' ' + s[1] #1列目と２列目を結合
                s[0] = tmp
                del s[1]                       #不要な列の削除
                del s[2:5]
                body.append(s)
    
    return body

def main():
    f = open(path, mode='rt') 

# /// 前処理 ///
    #列名(リスト)の取得
    header = get_Header(f) 

    #ファイルボディの取得
    body = []
    get_Body(f, body)

    f.close()

    #List --> Pandas DataFrameに変換
    df = pd.DataFrame(body, dtype=float)
    df.columns = header  #columnsの指定 (← get_Header関数を修正)
    
    #Cast
    df['Date Time(UTC)'] = pd.to_datetime(df['Date Time(UTC)'])
    df['Raw offset'] = df['Disp.'].astype(float)


# /// 行の抽出 ///
    #試したこと１ ←正常動作
    print(df[df['Refid'] == 'PPS'])

    #試したこと２ ←正常動作
    print(df.query("Refid == 'PPS'"))

if __name__ == '__main__':
    main()

###環境
Windows 10
Anaconda (default, Apr 24 2019, 15:29:51) [MSC v.1915 64 bit (AMD64)]
Python: 3.7.3, Pandas: 0.24.2
Jupyter Notebook

Comments

[8524ba23]

報告のみ。以下の当方環境では正常に動作します。提示コードに問題はなさそうです。
Win10
Python 3.5.5 |Anaconda custom (64-bit)| (default, Apr 7 2018, 04:52:34) [MSC v.1900 64 bit (AMD64)] on win32
pandas:0.23.0
コンソール上で実行

[Higomon]

ご検証、ありがとうござます。
お使いの環境だと正常動作するのですね。。。

Pandasではなく、Numpyの話ですが、先日取得したAnaconda(Anaconda3-2019.03)で
Numpyのimportが出来ず、悪戦苦闘しました。
以下のサイトを参考に、Numpyのimport問題は解決しましたが、
上記Pandasの問題は解決に至っていません。
https://teratail.com/questions/149566

取り急ぎ、お礼申し上げます。

Answer 1

コードの詳細内容は把握していませんが、***部分を修正することにより動作しました。

# 略

def main():
    f = open(path, mode='rt') 

# /// 前処理 ///
    #列名の取得
    header = []
    get_Header(f, header)

    #ファイルボディの取得
    body = []
    get_Body(f, body)

    f.close()

    #List --> Pandas DataFrameに変換
    df = pd.DataFrame(body, dtype=float)
    df.columns = header[0]  #columnsの指定 ***２重リストになっているので[0]を渡す

    print(df.columns)
    print(df.head())

    #Cast
    df['Date Time(UTC)'] = pd.to_datetime(df['Date Time(UTC)']) # ***最後の「,」を除く
    df['Raw offset'] = df['Disp.'].astype(float)

Comments

[Higomon]

早急にバグを見つけて頂き、誠にありがとうございました。
感動しました！

Answer 2

-コメントを受けて-

一応、自分が状況再現に用いたコードを載せておきます。これがうまく動作するかどうかも試してもらえると、回答時の参考になります。

import pandas as pd
import datetime

##logf.logの中身(メモ帳で作ってlog拡張子で保存)

#Date Time(UTC),Refid,Raw offset,Cooked offset,Disp.
#2019-05-25 16:51:22.999972,PPSx,2.73E-05,0.000027,1.00E-09
#2019-05-25 16:51:22.323771,NMEA,-3.24E-01,0.176228,1.00E-03
#2019-05-25 16:51:23.999975,PPS,2.43E-05,0.000024,1.00E-09
#2019-05-25 16:51:23.999975,PPSx,2.43E-05,0.000024,1.00E-09
#2019-05-25 16:51:23.324379,NMEA,-3.24E-01,0.175621,1.00E-03
#2019-05-25 16:51:24.999973,PPS,2.66E-05,0.000027,1.00E-09
#2019-05-25 16:51:24.999973,PPSx,2.66E-05,0.000027,1.00E-09

#logファイルの読み込み
df=pd.read_csv('logf.log')

#読み込み時点ではDate Time(UTC)のdtypeがobjectなのでdatetime64[ns]に変える
df['Date Time(UTC)']=pd.to_datetime(df['Date Time(UTC)'])

#データ抽出(どちらのコードでもうまくいった)
df[df['Refid'] == 'PPS']
df.query("Refid == 'PPS'")

---

試したこと2について、以下のように修正した場合はどうでしょう。
※コードにミスが有ったので修正しました。

#修正前
df.query('Refid' == 'PPS')

#修正後(等式全体を””で囲み、'Refid'をRefidに変える)
df.query("Refid == 'PPS'")

参考：note.nkmk.me - pandas.DataFrameの行を条件で抽出するquery

Comments

[Higomon]

ご提案、ありがとうございます。

df.query("Refid == 'PPS'")を試しましたが、以下のエラーを吐いています。
#1 質問時とは異なり、環境をAnaconda → Minicondaとしましたが、
　インストールしたPythonおよびPandasのバージョンは変更してません。
　質問したPandas問題も未解決のままです。

#2 列名 Refidは設定しているはずですが、
　　下記最下部のError: name 'Refid' is not definedの意味が理解できてません。

---
KeyError Traceback (most recent call last)
~\Miniconda3\lib\site-packages\pandas\core\computation\scope.py in resolve(self, key, is_local)
180 if self.has_resolvers:
--> 181 return self.resolvers[key]
182

~\Miniconda3\lib\collections\__init__.py in __getitem__(self, key)
913 pass
--> 914 return self.__missing__(key) # support subclasses that define __missing__
915

~\Miniconda3\lib\collections\__init__.py in __missing__(self, key)
905 def __missing__(self, key):
--> 906 raise KeyError(key)
907

KeyError: 'Refid'

During handling of the above exception, another exception occurred:

KeyError Traceback (most recent call last)
~\Miniconda3\lib\site-packages\pandas\core\computation\scope.py in resolve(self, key, is_local)
191 # e.g., df[df > 0]
--> 192 return self.temps[key]
193 except KeyError:

KeyError: 'Refid'

During handling of the above exception, another exception occurred:

UndefinedVariableError Traceback (most recent call last)
<ipython-input-3-f108e38e0600> in <module>
----> 1 df.query("Refid == 'PPS'")

~\Miniconda3\lib\site-packages\pandas\core\frame.py in query(self, expr, inplace, **kwargs)
3086 kwargs['level'] = kwargs.pop('level', 0) + 1
3087 kwargs['target'] = None
-> 3088 res = self.eval(expr, **kwargs)
3089
3090 try:

~\Miniconda3\lib\site-packages\pandas\core\frame.py in eval(self, expr, inplace, **kwargs)
3201 kwargs['target'] = self
3202 kwargs['resolvers'] = kwargs.get('resolvers', ()) + tuple(resolvers)
-> 3203 return _eval(expr, inplace=inplace, **kwargs)
3204
3205 def select_dtypes(self, include=None, exclude=None):

~\Miniconda3\lib\site-packages\pandas\core\computation\eval.py in eval(expr, parser, engine, truediv, local_dict, global_dict, resolvers, level, target, inplace)
292
293 parsed_expr = Expr(expr, engine=engine, parser=parser, env=env,
--> 294 truediv=truediv)
295
296 # construct the engine and evaluate the parsed expression

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in __init__(self, expr, engine, parser, env, truediv, level)
747 self.env.scope['truediv'] = truediv
748 self._visitor = _parsers[parser](self.env, self.engine, self.parser)
--> 749 self.terms = self.parse()
750
751 @property

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in parse(self)
764 def parse(self):
765 """Parse an expression"""
--> 766 return self._visitor.visit(self.expr)
767
768 @property

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit(self, node, **kwargs)
329 method = 'visit_' + node.__class__.__name__
330 visitor = getattr(self, method)
--> 331 return visitor(node, **kwargs)
332
333 def visit_Module(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit_Module(self, node, **kwargs)
335 raise SyntaxError('only a single expression is allowed')
336 expr = node.body[0]
--> 337 return self.visit(expr, **kwargs)
338
339 def visit_Expr(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit(self, node, **kwargs)
329 method = 'visit_' + node.__class__.__name__
330 visitor = getattr(self, method)
--> 331 return visitor(node, **kwargs)
332
333 def visit_Module(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit_Expr(self, node, **kwargs)
338
339 def visit_Expr(self, node, **kwargs):
--> 340 return self.visit(node.value, **kwargs)
341
342 def _rewrite_membership_op(self, node, left, right):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit(self, node, **kwargs)
329 method = 'visit_' + node.__class__.__name__
330 visitor = getattr(self, method)
--> 331 return visitor(node, **kwargs)
332
333 def visit_Module(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit_Compare(self, node, **kwargs)
664 op = self.translate_In(ops[0])
665 binop = ast.BinOp(op=op, left=node.left, right=comps[0])
--> 666 return self.visit(binop)
667
668 # recursive case: we have a chained comparison, a CMP b CMP c, etc.

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit(self, node, **kwargs)
329 method = 'visit_' + node.__class__.__name__
330 visitor = getattr(self, method)
--> 331 return visitor(node, **kwargs)
332
333 def visit_Module(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit_BinOp(self, node, **kwargs)
433
434 def visit_BinOp(self, node, **kwargs):
--> 435 op, op_class, left, right = self._maybe_transform_eq_ne(node)
436 left, right = self._maybe_downcast_constants(left, right)
437 return self._maybe_evaluate_binop(op, op_class, left, right)

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in _maybe_transform_eq_ne(self, node, left, right)
370 def _maybe_transform_eq_ne(self, node, left=None, right=None):
371 if left is None:
--> 372 left = self.visit(node.left, side='left')
373 if right is None:
374 right = self.visit(node.right, side='right')

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit(self, node, **kwargs)
329 method = 'visit_' + node.__class__.__name__
330 visitor = getattr(self, method)
--> 331 return visitor(node, **kwargs)
332
333 def visit_Module(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\expr.py in visit_Name(self, node, **kwargs)
447
448 def visit_Name(self, node, **kwargs):
--> 449 return self.term_type(node.id, self.env, **kwargs)
450
451 def visit_NameConstant(self, node, **kwargs):

~\Miniconda3\lib\site-packages\pandas\core\computation\ops.py in __init__(self, name, env, side, encoding)
62 self.is_local = (tname.startswith(_LOCAL_TAG) or
63 tname in _DEFAULT_GLOBALS)
---> 64 self._value = self._resolve_name()
65 self.encoding = encoding
66

~\Miniconda3\lib\site-packages\pandas\core\computation\ops.py in _resolve_name(self)
79
80 def _resolve_name(self):
---> 81 res = self.env.resolve(self.local_name, is_local=self.is_local)
82 self.update(res)
83

~\Miniconda3\lib\site-packages\pandas\core\computation\scope.py in resolve(self, key, is_local)
192 return self.temps[key]
193 except KeyError:
--> 194 raise compu.ops.UndefinedVariableError(key, is_local)
195
196 def swapkey(self, old_key, new_key, new_value=None):

UndefinedVariableError: name 'Refid' is not defined

[amahara_waya]

質問にある表をもとに作ったdataframeを使った場合では問題なく動作したので、入力ファイル(logファイル)の問題かもしれません。
※環境はPython: 3.7.1, Pandas: 0.23.4,Jupyter Notebook

logファイル自体もしくはファイルの中身(コンマのついたテキスト形式になっているはず)を提示できないでしょうか。

[Higomon]

ご丁寧に検証頂き、ありがとうございます。

質問の簡単化のため記載しておりませんでしたが、
logファイル(original)と前処理も含めたPython codeすべてを記載しました。
改めてご参照くださいませ。

PythonのバージョンやOSを変えても正常に動かないので、前処理部分がおかしいはずですが、
恥ずかしながら、経験不足のため、何がおかしいのか未だ発見できていません。