Python DataFrame 过滤|极客笔记

Python DataFrame 过滤

在数据分析与处理过程中，经常需要根据某些条件对数据集进行筛选和过滤。在Python中，Pandas库提供了DataFrame数据结构，是处理、分析和操作结构化数据的利器。本文将详细介绍如何在Python中使用Pandas进行DataFrame的过滤操作。

什么是DataFrame

DataFrame是Pandas库中最为重要的数据结构之一，类似于Excel中的表格。它由多个Series按照相同的索引组合而成，可以看作是一个二维表格，每一列可以是不同的数据类型。DataFrame可以用于处理时间序列数据、结构化数据等。

创建DataFrame

在进行DataFrame过滤之前，首先需要创建一个DataFrame。下面是一个创建DataFrame的示例代码：

import pandas as pd

data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 30, 35, 40, 45],
    'Score': [80, 90, 85, 88, 92]
}

df = pd.DataFrame(data)

print(df)

运行上述代码，可以得到如下输出：

      Name  Age  Score
0    Alice   25     80
1      Bob   30     90
2  Charlie   35     85
3    David   40     88
4      Eve   45     92

DataFrame 过滤

单条件过滤

可以通过[]操作符结合逻辑运算符（如==, !=, >, <, >=, <=）对DataFrame进行单条件过滤。下面是一个示例代码：

filtered_df = df[df['Age'] > 30]

print(filtered_df)

运行上述代码，可以得到如下输出：

    Name  Age  Score
2  Charlie   35     85
3    David   40     88
4      Eve   45     92

多条件过滤

除了单条件过滤外，还可以结合&（and）、|（or）操作符进行多条件过滤。下面是一个示例代码：

filtered_df = df[(df['Age'] > 30) & (df['Score'] > 85)]

print(filtered_df)

运行上述代码，可以得到如下输出：

    Name  Age  Score
3  David   40     88
4    Eve   45     92

使用`query()`方法

Pandas还提供了query()方法，可以更加简洁地进行条件过滤。下面是一个示例代码：

filtered_df = df.query("Age > 30 and Score > 85")

print(filtered_df)

运行上述代码，可以得到如下输出：

    Name  Age  Score
3  David  40     88
4    Eve   45     92

使用`isin()`方法

isin()方法可以用来判断某一列中的值是否在给定的列表中。下面是一个示例代码：

names = ['Bob', 'David']

filtered_df = df[df['Name'].isin(names)]

print(filtered_df)

运行上述代码，可以得到如下输出：

    Name  Age  Score
1    Bob   30     90
3  David   40     88

总结

本文介绍了如何在Python中使用Pandas进行DataFrame的过滤操作。通过使用逻辑运算符、query()方法和isin()方法，我们可以轻松实现单条件和多条件的数据过滤。DataFrame的灵活性使得数据处理变得更加方便快捷。

Python DataFrame 过滤