一、pandas庫簡介

pandas是Python中一個非常流行的數(shù)據(jù)處理庫，它提供了大量的數(shù)據(jù)結(jié)構(gòu)（如Series和DataFrame）以及數(shù)據(jù)分析工具，讓數(shù)據(jù)處理變得既簡單又高效。在數(shù)據(jù)分析的過程中，我們經(jīng)常需要根據(jù)某些條件篩選數(shù)據(jù)，這時pandas提供了非常靈活和方便的篩選功能。

二、條件篩選基礎(chǔ)

在pandas中，我們通常使用布爾索引（Boolean Indexing）來進行條件篩選。布爾索引是指根據(jù)條件表達式的結(jié)果（True或False）來選擇數(shù)據(jù)。

示例1：篩選DataFrame中的特定行

假設(shè)我們有一個DataFrame df，其中包含學(xué)生的信息：

import pandas as pd

# 創(chuàng)建一個示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 22, 28, 20, 23],
    'Grade': ['A', 'B', 'A', 'C', 'B']
}
df = pd.DataFrame(data)

# 篩選年齡大于23的學(xué)生
older_students = df[df['Age'] > 23]
print(older_students)

輸出：

      Name  Age Grade
0    Alice   25     A
2  Charlie   28     A

示例2：組合多個條件

我們也可以使用&（和）和|（或）來組合多個條件：

import pandas as pd

# 創(chuàng)建一個示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 22, 28, 20, 23],
    'Grade': ['A', 'B', 'A', 'C', 'B']
}
df = pd.DataFrame(data)

# 篩選年齡大于23且成績?yōu)锳的學(xué)生
specific_students = df[(df['Age'] > 23) & (df['Grade'] == 'A')]
print(specific_students)

輸出：

      Name  Age Grade
0    Alice   25     A
2  Charlie   28     A

三、高級篩選技巧

除了基本的布爾索引，pandas還提供了很多高級篩選技巧，如query()方法、isin()方法等。

示例3：使用query()方法篩選數(shù)據(jù)

query()方法允許我們使用字符串表達式來篩選數(shù)據(jù)，非常適合處理復(fù)雜的篩選條件。

import pandas as pd

# 創(chuàng)建一個示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 22, 28, 20, 23],
    'Grade': ['A', 'B', 'A', 'C', 'B']
}
df = pd.DataFrame(data)

# 篩選年齡大于23或成績?yōu)锳的學(xué)生
complex_filter = df.query('Age > 23 or Grade == "A"')
print(complex_filter)

輸出：

      Name  Age Grade
0    Alice   25     A
2  Charlie   28     A

示例4：使用isin()方法篩選數(shù)據(jù)

isin()方法允許我們根據(jù)一個值列表來篩選數(shù)據(jù)。

import pandas as pd

# 創(chuàng)建一個示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 22, 28, 20, 23],
    'Grade': ['A', 'B', 'A', 'C', 'B']
}
df = pd.DataFrame(data)

# 篩選名字是Alice或Eve的學(xué)生
name_filter = df[df['Name'].isin(['Alice', 'Eve'])]
print(name_filter)

輸出：

    Name  Age Grade
0  Alice   25     A
4    Eve   23     B

四、條件篩選與函數(shù)應(yīng)用

除了直接使用條件表達式，我們還可以結(jié)合pandas提供的函數(shù)來進行更復(fù)雜的篩選操作。

示例5：使用apply()和條件函數(shù)篩選數(shù)據(jù)

import pandas as pd

# 創(chuàng)建一個示例DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [25, 22, 28, 20, 23],
    'Grade': ['A', 'B', 'A', 'C', 'B']
}
df = pd.DataFrame(data)

# 定義一個條件函數(shù)
def is_elderly(age):
    return age >= 21

# 使用apply()方法應(yīng)用條件函數(shù)
elderly_students = df[df['Age'].apply(is_elderly)]
print(elderly_students)

輸出：

      Name  Age Grade
0    Alice   25     A
1      Bob   22     B
2  Charlie   28     A
4      Eve   23     B

在這個例子中，我們定義了一個is_elderly函數(shù)來判斷年齡是否大于等于21，然后使用apply()方法將這個函數(shù)應(yīng)用到Age列上，得到一個布爾序列，最后用這個布爾序列來篩選數(shù)據(jù)。

五、條件篩選的最佳實踐

在實際應(yīng)用中，遵循一些最佳實踐可以讓我們的代碼更加清晰、高效。

示例6：保持代碼清晰

盡量使用具有描述性的列名和條件表達式，這樣其他人在閱讀你的代碼時可以更容易理解你的意圖。

# 使用描述性的列名和條件表達式
high_scoring_students = df[(df['Grade'] == 'A') | (df['Grade'] == 'B')]
print(high_scoring_students)

示例7：利用向量化操作

pandas的許多函數(shù)都是向量化（vectorized）的，這意味著它們在整個數(shù)組上操作而不是在單個元素上循環(huán)。利用這些向量化操作可以提高代碼的效率。

# 利用向量化操作篩選數(shù)據(jù)
high_grades = df['Grade'].isin(['A', 'B'])
high_scoring_students = df[high_grades]
print(high_scoring_students)

輸出：

      Name  Age Grade
0    Alice   25     A
1      Bob   22     B
2  Charlie   28     A
4      Eve   23     B

在這個例子中，我們使用了isin()這個向量化函數(shù)來創(chuàng)建一個布爾數(shù)組，然后用這個數(shù)組來篩選數(shù)據(jù)。

六、 總結(jié)

條件篩選是pandas中非常重要的一個功能，它允許我們根據(jù)特定條件來快速、高效地篩選數(shù)據(jù)。通過學(xué)習(xí)和實踐這些條件篩選的技巧和最佳實踐，我們可以更好地利用pandas來處理和分析數(shù)據(jù)。希望這篇文章能夠幫助你更深入地理解和應(yīng)用pandas的條件篩選功能！

到此這篇關(guān)于pandas根據(jù)指定條件篩選數(shù)據(jù)的實現(xiàn)示例的文章就介紹到這了,更多相關(guān)pandas 指定條件篩選內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論