Indexation booléenne des DataFrames

L'indexation booléenne vous permet de filtrer les lignes d'un DataFrame en appliquant une condition qui produit une Series de valeurs True et False. Seules les lignes pour lesquelles la condition vaut True sont renvoyées. Il s'agit de l'une des techniques de sélection les plus utilisées dans Pandas, car elle est à la fois lisible et rapide.

Par exemple, avec un DataFrame de ventes, vous pouvez récupérer instantanément toutes les lignes dont le chiffre d'affaires dépasse 1000 sans écrire de boucle.

Une fois que vous disposez d'un masque booléen, transmettez-le entre crochets au DataFrame pour sélectionner uniquement les lignes correspondantes. Le résultat est un nouveau DataFrame : l'original n'est jamais modifié. Les index de lignes du DataFrame original sont conservés, ce qui vous permet toujours de savoir d'où provient chaque ligne.

Ce modèle — créer le masque, puis l'appliquer — est la manière standard de filtrer les lignes dans Pandas.

Vous n'avez pas besoin d'affecter la Series booléenne à une variable. Vous pouvez écrire la condition directement entre les crochets : df[df['col'] > value]. Ce style sur une seule ligne est très courant dans les carnets d'analyse de données, car il garde le code compact et lisible.

Les deux approches — variable de masque et condition intégrée — produisent des résultats identiques. Utilisez une variable lorsque la condition est complexe ou réutilisée, et la condition intégrée pour les filtres simples utilisés une seule fois.

Pour exiger que les deux conditions soient vraies, combinez-les avec l'opérateur & — et non avec le mot-clé Python and, qui ne fonctionne pas élément par élément sur les tableaux. Chaque condition doit être placée entre parenthèses, car & a une priorité supérieure à celle des opérateurs de comparaison.

Le résultat ne conserve que les lignes pour lesquelles chaque sous-condition s'évalue à True.

Utilisez l'opérateur | pour conserver les lignes où au moins une condition est vraie. Comme avec &, chaque sous-condition doit être placée entre parenthèses. L'opérateur | effectue un OU logique élément par élément sur les tableaux booléens.

Il est tout à fait valide de mélanger & et | ; veillez simplement à utiliser les parenthèses correctement pour imposer l'ordre d'évaluation voulu et éviter les erreurs logiques difficiles à détecter.

L'opérateur tilde ~ inverse une Series booléenne : il transforme True en False, et inversement. Utilisez ~ pour exprimer une logique « NOT » : conservez les lignes qui ne correspondent pas à une condition. Cette méthode est plus claire que la construction manuelle de la condition opposée.

Par exemple, df[~df['status'].isin(['cancelled', 'refunded'])] conserve toutes les lignes sauf celles correspondant à ces deux statuts.

L'indexation booléenne fonctionne tout aussi bien sur les colonnes textuelles. Vous pouvez filtrer une correspondance exacte avec ==, ou utiliser des méthodes .str comme .str.startswith(), .str.contains() ou .str.upper() dans la condition pour effectuer un filtrage textuel flexible.

Par défaut, les comparaisons de chaînes dans Pandas tiennent compte de la casse : 'NYC' et 'nyc' sont donc considérées comme des valeurs différentes. Normalisez d'abord la casse si nécessaire.

Les analyses complexes nécessitent souvent des conditions portant sur plusieurs colonnes, combinées avec & et |. Pour rendre le code lisible, décomposez les conditions très longues en Series booléennes nommées ; chacune agit comme un sous-filtre nommé que vous combinez à la fin.

Cette approche clarifie votre intention : chaque ligne se lit comme une phrase décrivant une partie de la logique du filtre.

L'indexation booléenne filtre les lignes, mais vous pouvez parfois vouloir ajouter une nouvelle colonne selon une condition plutôt que supprimer des lignes. np.where(condition, value_if_true, value_if_false) est l'équivalent vectorisé d'une structure if/else appliquée élément par élément à une colonne ; cette approche est bien plus rapide que l'utilisation de apply avec une lambda.

Vous pouvez mettre à jour directement les valeurs des lignes filtrées avec .loc[mask, column]. C'est la manière sûre de définir des valeurs dans un sous-ensemble ; l'indexation chaînée, comme df[mask]['col'] = value, peut déclencher un SettingWithCopyWarning, car elle agit sur une copie.

Privilégiez toujours df.loc[mask, 'col'] = value lorsque vous souhaitez modifier directement le DataFrame original.

Comme les valeurs booléennes sont en interne 1 (True) et 0 (False), vous pouvez appeler .sum() sur un masque pour compter les lignes correspondantes, ou .mean() pour obtenir la proportion de lignes correspondantes. Ces comptages rapides vous aident à vérifier la logique de votre filtre avant de l'appliquer pour sélectionner des lignes.

Vérifiez votre compréhension de l'indexation booléenne sur les DataFrames.

Dans cette leçon, vous avez appris que : les masques booléens filtrent les lignes en appliquant une condition à une colonne, les opérateurs & et | combinent plusieurs conditions (et non les opérateurs Python and/or), et ~ inverse un masque booléen pour appliquer une logique NOT. Utilisez df.loc[mask, col] = value pour affecter des valeurs en toute sécurité aux lignes filtrées. Ensuite, nous découvrirons la méthode query(), qui permet d'écrire des filtres sous forme de chaînes lisibles.