利用pandas怎么對(duì)指定列值對(duì)應(yīng)的行進(jìn)行篩選？相信很多沒(méi)有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問(wèn)題出現(xiàn)的原因和解決方法，通過(guò)這篇文章希望你能解決這個(gè)問(wèn)題。
在pandas中怎么樣實(shí)現(xiàn)類(lèi)似mysql查找語(yǔ)句的功能：
select * from table where column_name = some_value;
pandas中獲取數(shù)據(jù)的有以下幾種方法：
布爾索引
位置索引
標(biāo)簽索引
使用API
假設(shè)數(shù)據(jù)如下:
重慶分公司
重慶分公司
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
'B': 'one one two three two two one three'.split(),
'C': np.arange(8), 'D': np.arange(8) * 2})
該方法其實(shí)就是找出每一行中符合條件的真值(true value)，如找出列A中所有值等于foo
df[df['A'] == 'foo'] # 判斷等式是否成立
使用iloc方法，根據(jù)索引的位置來(lái)查找數(shù)據(jù)的。這個(gè)例子需要先找出符合條件的行所在位置
mask = df['A'] == 'foo' pos = np.flatnonzero(mask) # 返回的是array([0, 2, 4, 6, 7]) df.iloc[pos] #常見(jiàn)的iloc用法 df.iloc[:3,1:3]
如何DataFrame的行列都是有標(biāo)簽的，那么使用loc方法就非常合適了。
df.set_index('A', append=True, drop=False).xs('foo', level=1) # xs方法適用于多重索引DataFrame的數(shù)據(jù)篩選
# 更直觀(guān)點(diǎn)的做法
df.index=df['A'] # 將A列作為DataFrame的行索引
df.loc['foo', :]
# 使用布爾
df.loc[df['A']=='foo']
使用API
pd.DataFrame.query方法在數(shù)據(jù)量大的時(shí)候，效率比常規(guī)的方法更高效。
df.query('A=="foo"')
# 多條件
df.query('A=="foo" | A=="bar"')
數(shù)據(jù)提取不止前面提到的情況，第一個(gè)答案就給出了以下幾種常見(jiàn)情況：
1、篩選出列值等于標(biāo)量的行，用==
df.loc[df['column_name'] == some_value]
2、篩選出列值屬于某個(gè)范圍內(nèi)的行，用isin
df.loc[df['column_name'].isin(some_values)] # some_values是可迭代對(duì)象
3、多種條件限制時(shí)使用&，&的優(yōu)先級(jí)高于>=或<=，所以要注意括號(hào)的使用
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]
4、篩選出列值不等于某個(gè)/些值的行
df.loc[df['column_name'] != 'some_value']
df.loc[~df['column_name'].isin('some_values')] #~取反看完上述內(nèi)容，你們掌握利用pandas怎么對(duì)指定列值對(duì)應(yīng)的行進(jìn)行篩選的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！
