這篇文章主要講解了“怎么使用Python的Pandas布爾索引”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“怎么使用Python的Pandas布爾索引”吧！

成都創(chuàng)新互聯(lián)是一家專注網(wǎng)站建設(shè)、網(wǎng)絡(luò)營(yíng)銷策劃、小程序定制開發(fā)、電子商務(wù)建設(shè)、網(wǎng)絡(luò)推廣、移動(dòng)互聯(lián)開發(fā)、研究、服務(wù)為一體的技術(shù)型公司。公司成立十年以來，已經(jīng)為1000+成都陽(yáng)臺(tái)護(hù)欄各業(yè)的企業(yè)公司提供互聯(lián)網(wǎng)服務(wù)。現(xiàn)在，服務(wù)的1000+客戶與我們一路同行，見證我們的成長(zhǎng)；未來，我們一起分享成功的喜悅。

1.計(jì)算布爾值統(tǒng)計(jì)信息

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
#讀取movie,設(shè)定行索引是movie_title 
pd.options.display.max_columns = 50 
movie = pd.read_csv("./data/movie.csv",index_col = 'movie_title')
#判斷電影時(shí)長(zhǎng)是否超過兩個(gè)小時(shí) #Figure1
movie_2_hours = movie['duration'] > 120
#統(tǒng)計(jì)時(shí)長(zhǎng)超過兩小時(shí)的電影總數(shù)
print(movie_2_hours.sum()) #result:1039
#統(tǒng)計(jì)時(shí)長(zhǎng)超過兩小時(shí)的電影的比例
print(movie_2_hours.mean())
#統(tǒng)計(jì)False和True的比例 
print(movie_2_hours.value_counts(normalize = True)) 
#比較同一個(gè)DataFrame中的兩列
actors = movie[['actor_1_facebook_likes','actor_2_facebook_likes']].dropna()
print((actors['actor_1_facebook_likes'] > actors['actor_2_facebook_likes']).mean()) #Figure2

運(yùn)行結(jié)果：

Figure1

Figure2

2. 構(gòu)建多個(gè)布爾條件

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
#讀取movie,設(shè)定行索引是movie_title 
pd.options.display.max_columns = 50 
movie = pd.read_csv("./data/movie.csv",index_col = 'movie_title')
#創(chuàng)建多個(gè)布爾條件
criteria1 = movie.imdb_score > 8
criteria2 = movie.content_rating == "PG-13"
criteria3 = (movie.title_year < 2000) | (movie.title_year >= 2010)
"""
print(criteria1.head())
print(criteria2.head())
print(criteria3.head())
運(yùn)行結(jié)果：Figure1
"""
#將多個(gè)布爾條件合并成一個(gè)
criteria_final = criteria1 & criteria2 & criteria3 
print(criteria_final.head())
#運(yùn)行結(jié)果：Figure2

運(yùn)行結(jié)果：

Figure1

Figure2

3.用布爾索引過濾

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
#讀取movie,設(shè)定行索引是movie_title 
pd.options.display.max_columns = 50 
movie = pd.read_csv("./data/movie.csv",index_col = 'movie_title')
#創(chuàng)建第一個(gè)布爾條件
crit_a1 = movie.imdb_score > 8 
crit_a2 = movie.content_rating == 'PG-13'
crit_a3 = (movie.title_year < 2000) | (movie.title_year > 2009)
final_crit_a = crit_a1 & crit_a2 & crit_a3
#創(chuàng)建第二個(gè)布爾條件
crit_b1 = movie.imdb_score < 5
crit_b2 = movie.content_rating == 'R'
crit_b3 = (movie.title_year >= 2000) & (movie.title_year <= 2010)
final_crit_b = crit_b1 & crit_b2 & crit_b3
#將兩個(gè)條件用或運(yùn)算合并起來
final_crit_all = final_crit_a | final_crit_b
print(final_crit_all.head()) #Figure 1 
#用最終的布爾條件過濾數(shù)據(jù)
print(movie[final_crit_all].head()) #Figure2

運(yùn)行結(jié)果：

Figure1

Figure2

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
#讀取movie,設(shè)定行索引是movie_title 
pd.options.display.max_columns = 50 
movie = pd.read_csv("./data/movie.csv",index_col = 'movie_title')
#創(chuàng)建第一個(gè)布爾條件
crit_a1 = movie.imdb_score > 8 
crit_a2 = movie.content_rating == 'PG-13'
crit_a3 = (movie.title_year < 2000) | (movie.title_year > 2009)
final_crit_a = crit_a1 & crit_a2 & crit_a3
#創(chuàng)建第二個(gè)布爾條件
crit_b1 = movie.imdb_score < 5
crit_b2 = movie.content_rating == 'R'
crit_b3 = (movie.title_year >= 2000) & (movie.title_year <= 2010)
final_crit_b = crit_b1 & crit_b2 & crit_b3
#將兩個(gè)條件用或運(yùn)算合并起來
final_crit_all = final_crit_a | final_crit_b
#使用loc,對(duì)指定的列做過濾操作，可以清楚地看到過濾是否起作用
cols = ['imdb_score','content_rating','title_year']
movie_filtered = movie.loc[final_crit_all,cols]
print(movie_filtered.head(10))

運(yùn)行結(jié)果：

感謝各位的閱讀，以上就是“怎么使用Python的Pandas布爾索引”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對(duì)怎么使用Python的Pandas布爾索引這一問題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！

文章名稱：怎么使用Python的Pandas布爾索引-創(chuàng)新互聯(lián)
文章鏈接：http://weahome.cn/article/espjp.html