Pandas 是一個(gè)流行的 Python 數(shù)據(jù)分析庫(kù)，它提供了一系列方便的工具，可以用來(lái)操作和處理數(shù)據(jù)。在 Pandas 中，DataFrame 是最主要的數(shù)據(jù)結(jié)構(gòu)之一，它可以看作是一種二維數(shù)據(jù)表格，其中每個(gè)列代表一種變量，而每行則代表一個(gè)樣本或觀察值。在實(shí)際數(shù)據(jù)分析中，我們經(jīng)常需要按照某些條件過(guò)濾 DataFrame 中的行，以便得到符合特定需求的子集。本文將介紹如何根據(jù) Pandas 中的列值過(guò)濾 DataFrame 行。

1. 篩選單個(gè)列的值

假設(shè)我們有一個(gè)包含多個(gè)列的 DataFrame，現(xiàn)在想要根據(jù)其中某一列的值進(jìn)行篩選，該怎么做呢？這時(shí)候就需要使用 Pandas 的布爾索引功能。具體來(lái)說(shuō)，我們可以通過(guò)在 DataFrame 中使用與、或、非等邏輯運(yùn)算符將多個(gè)比較項(xiàng)組合起來(lái)，從而生成一個(gè)布爾型 Series，然后使用這個(gè) Series 來(lái)選擇 DataFrame 中對(duì)應(yīng)的行。下面是一個(gè)簡(jiǎn)單的例子：

import pandas as pd # 創(chuàng)建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據(jù) age 列的值篩選行 df_filtered = df[df['age'] > 30] print(df_filtered)

運(yùn)行上述代碼，可以得到如下輸出：

name  age gender
2  Charlie   35      M
3    David   40      M

這里我們通過(guò)在 DataFrame 中使用df['age'] > 30來(lái)生成一個(gè)布爾型 Series，并將其作為索引來(lái)選擇符合條件的行。需要注意的是，這里的>符號(hào)只能用于比較數(shù)值類型的列，如果要比較其他類型的列，需要使用其他適當(dāng)?shù)谋容^符號(hào)。

除了大于號(hào)之外，還有很多其他的比較符號(hào)可以用于篩選單個(gè)列的值，例如等于、不等于、小于等。具體來(lái)說(shuō)，常用的比較符號(hào)如下：

• ==：等于
• !=：不等于
• <：小于
• >：大于
• <=：小于等于
• >=：大于等于

2. 篩選多個(gè)列的值

上面的例子中我們只篩選了一個(gè)列的值，那如果想要篩選多個(gè)列的值呢？這時(shí)候就需要使用 Pandas 的 loc 或 iloc 屬性，結(jié)合布爾索引功能來(lái)實(shí)現(xiàn)。具體來(lái)說(shuō)，loc 屬性用于按標(biāo)簽（即列名）訪問(wèn)數(shù)據(jù)，而 iloc 屬性則用于按位置訪問(wèn)數(shù)據(jù)。下面是一個(gè)示例：

import pandas as pd # 創(chuàng)建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據(jù) age 和 gender 列的值篩選行 df_filtered = df.loc[(df['age'] > 30) & (df['gender'] == 'M')] print(df_filtered)

運(yùn)行上述代碼，可以得到如下輸出：

name  age gender
3  David   40      M

這里我們使用 loc 屬性按列名訪問(wèn)了 DataFrame 中的 age 和 gender 列，并將其用于生成布爾型 Series。然后我們使用與邏輯符&將兩個(gè)比較項(xiàng)組合起來(lái)，并將結(jié)果傳遞給 loc 或 iloc 屬性來(lái)選擇符合條件的行。

需要注意的是，如果要同時(shí)篩選多個(gè)列

的值，需要使用圓括號(hào)將不同列的比較項(xiàng)括起來(lái)，并使用邏輯運(yùn)算符進(jìn)行組合。為了讓代碼更加清晰易讀，推薦在每個(gè)比較項(xiàng)之間添加換行符或縮進(jìn)。

3. 使用 isin() 方法篩選值

除了使用比較運(yùn)算符來(lái)篩選 DataFrame 的行之外，還可以使用 Pandas 提供的 isin() 方法。該方法可以用于檢查 DataFrame 中某一列中的值是否包含在指定的列表中，返回一個(gè)布爾型 Series。下面是一個(gè)示例：

import pandas as pd # 創(chuàng)建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據(jù) gender 列的值篩選行 df_filtered = df[df['gender'].isin(['F', 'M'])] print(df_filtered)

運(yùn)行上述代碼，可以得到如下輸出：

name  age gender
0    Alice   25      F
1      Bob   30      M
2  Charlie   35      M
3    David   40      M

這里我們使用 isin() 方法檢查 DataFrame 中的 gender 列中的值是否包含在列表['F', 'M']中，并將結(jié)果傳遞給布爾索引功能來(lái)選擇符合條件的行。需要注意的是，isin() 方法接受一個(gè)包含要匹配值的列表作為參數(shù)，可以同時(shí)匹配多個(gè)值。

4. 使用 query() 方法篩選行

除了上述方法之外，Pandas 還提供了一個(gè) query() 方法，可以讓我們使用類似 SQL 的語(yǔ)法來(lái)篩選 DataFrame 中的行。具體來(lái)說(shuō)，該方法接受一個(gè)字符串表達(dá)式，其中包含列名、比較符號(hào)和邏輯運(yùn)算符等操作，返回一個(gè) DataFrame 子集。下面是一個(gè)示例：

import pandas as pd # 創(chuàng)建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據(jù) age 和 gender 列的值篩選行 df_filtered = df.query('age > 30 and gender == "M"') print(df_filtered)

運(yùn)行上述代碼，可以得到如下輸出：

name  age gender
3  David   40      M

這里我們使用 query() 方法將條件表達(dá)式'age > 30 and gender == "M"'傳遞給 DataFrame，用于篩選行。需要注意的是，在查詢表達(dá)式中，列名需要用引號(hào)括起來(lái)，而字符串或數(shù)字則不需要。

總之，Pandas 提供了多種方法來(lái)根據(jù)列值過(guò)濾 DataFrame 的行。在實(shí)際數(shù)據(jù)分析中，需要根據(jù)具體需求選擇最合適的方法，以便高效地處理大規(guī)模數(shù)據(jù)集。

想快速入門(mén)Python數(shù)據(jù)分析？這門(mén)課程適合你！

如果你對(duì)Python數(shù)據(jù)分析感興趣，但不知從何入手，推薦你學(xué)習(xí)《山有木兮：Python數(shù)據(jù)分析極簡(jiǎn)入門(mén)》。這門(mén)課程專為初學(xué)者設(shè)計(jì)，內(nèi)容簡(jiǎn)潔易懂，手把手教你掌握Python數(shù)據(jù)分析的核心技能，助你輕松邁出數(shù)據(jù)分析的第一步。

學(xué)習(xí)入口：https://edu.cda.cn/goods/show/3429?targetId=5724&preview=0
開(kāi)啟你的Python數(shù)據(jù)分析之旅，從入門(mén)到精通，只需一步！