pandas で条件抽出するとき、通常は df[df['col'] > 0] のようにブールインデックスを使います。query メソッドを使うと、より読みやすい文字列で同じ処理を書けます。
query の基本
import pandas as pd
import numpy as np
df = pd.DataFrame({
'name': ['田中', '佐藤', '鈴木', '高橋'],
'age': [25, 30, 35, 28],
'score': [85, 72, 90, 68]
})
# 通常の方法
result = df[df['age'] >= 30]
# query を使う
result = df.query('age >= 30')
print(result)
# name age score
# 1 佐藤 30 72
# 2 鈴木 35 90
複雑な条件になるほど、query の可読性が際立ちます。
# 通常の方法（括弧が多くて読みにくい）
result = df[(df['age'] >= 25) & (df['age'] <= 35) & (df['score'] >= 70)]
# query を使う
result = df.query('25 <= age <= 35 and score >= 70')
複数条件の指定
and / or を使って複数条件を組み合わせられます。
# AND 条件
df.query('age >= 30 and score >= 80')
# OR 条件
df.query('age < 25 or score >= 90')
# NOT 条件
df.query('not (age >= 30)')
Python の演算子 & | ~ の代わりに、英単語 and or not が使えるのも query の利点です。
& | ~ を使う。各条件を () で囲む必要がある。
and or not を使う。数学的な比較演算も直感的に書ける。
変数の参照
query 内で Python の変数を参照するには @ を付けます。
min_age = 30
min_score = 80
# 変数を参照
result = df.query('age >= @min_age and score >= @min_score')
print(result)
# name age score
# 2 鈴木 35 90
リストを使った in 演算も @ で参照できます。
target_names = ['田中', '鈴木']
# リストに含まれるか
result = df.query('name in @target_names')
print(result)
# name age score
# 0 田中 25 85
# 2 鈴木 35 90
文字列の条件
文字列の比較には引用符を使います。
# 文字列の完全一致
df.query('name == "田中"')
# シングルクォートでも可
df.query("name == '田中'")
ただし、文字列メソッド（startswith, contains など）は query 内では使えません。その場合は通常のブールインデックスを使います。
# これはエラーになる
# df.query('name.str.startswith("田")')
# 通常の方法を使う
df[df['name'].str.startswith('田')]
スペースを含む列名
列名にスペースや特殊文字が含まれる場合、バッククォートで囲みます。
df = pd.DataFrame({
'first name': ['田中', '佐藤'],
'total score': [85, 72]
})
# バッククォートで囲む
result = df.query('`total score` >= 80')
print(result)
# first name total score
# 0 田中 85
index の参照
index を条件に使うこともできます。
df = pd.DataFrame({
'value': [10, 20, 30, 40]
}, index=['a', 'b', 'c', 'd'])
# index を条件に使う
result = df.query('index in ["a", "c"]')
print(result)
# value
# a 10
# c 30
数値インデックスの場合も同様です。
df = pd.DataFrame({
'value': [10, 20, 30, 40]
})
# 数値インデックス
result = df.query('index >= 2')
print(result)
# value
# 2 30
# 3 40
パフォーマンス
query は内部で numexpr ライブラリを使っており、大きなデータセットでは通常のブールインデックスより高速になることがあります。
import pandas as pd
import numpy as np
import time
# 大きなデータ
df = pd.DataFrame({
'a': np.random.randn(1_000_000),
'b': np.random.randn(1_000_000)
})
# ブールインデックス
start = time.time()
for _ in range(100):
result = df[(df['a'] > 0) & (df['b'] > 0)]
print(f"ブールインデックス: {time.time() - start:.2f}秒")
# query
start = time.time()
for _ in range(100):
result = df.query('a > 0 and b > 0')
print(f"query: {time.time() - start:.2f}秒")
ただし、小さなデータセットでは query の方がオーバーヘッドで遅くなることもあります。
| データサイズ | 推奨 |
|---|---|
| 小（〜1万行） | どちらでも可。可読性で選ぶ |
| 中（1万〜100万行） | query が有利なことが多い |
| 大（100万行〜） | query + numexpr で高速化 |
inplace オプション
query は新しい DataFrame を返しますが、inplace=True で元の DataFrame を直接変更できます。
# 通常は新しい DataFrame を返す
result = df.query('a > 0')
# inplace で元を変更（非推奨）
# df.query('a > 0', inplace=True)
ただし、inplace は将来廃止される可能性があり、使用は推奨されません。
query が使えないケース
いくつかの操作は query ではできません。
str.contains(), str.startswith() などは使えない
isna(), notna() は使えない。代わりに col == col（NaN でない行）を使う
# NaN を除外するトリック
df = pd.DataFrame({'a': [1, np.nan, 3]})
# a == a は NaN のとき False になる
df.query('a == a') # NaN を除外
query は可読性とパフォーマンスの両面でメリットがあります。複雑な条件抽出を書くときは、まず query で書けないか検討してみてください。
