引言
Pandas 是 Python 中一个非常流行的数据分析库，它提供了强大的数据结构和数据分析工具。在数据分析过程中，数据筛选是必不可少的一环。通过掌握高级数据筛选技巧，我们可以快速定位所需数据，提高数据分析效率。本文将详细介绍 Pandas 中的高级数据筛选方法，帮助您轻松掌握这些技巧。
一、基础数据筛选
在 Pandas 中，最基础的数据筛选方法是通过条件表达式对数据进行过滤。以下是一个简单的示例：
import pandas as pd
# 创建一个示例 DataFrame
data = {‘Name’: [‘Tom’, ‘Jerry’, ‘Bob’, ‘Alice’],
‘Age’: [20, 25, 30, 35],
‘Salary’: [5000, 6000, 7000, 8000]}
df = pd.DataFrame(data)
# 根据年龄筛选数据
filtered_df = df[df[‘Age’] > 25]
print(filtered_df)
运行上述代码，我们可以得到年龄大于 25 的数据：
Name Age Salary
0 Bob 30 7000
1 Alice 35 8000
二、向量化条件筛选
Pandas 允许我们对 DataFrame 中的列进行向量化条件筛选，这意味着我们可以同时对多列进行筛选操作。以下是一个示例：
# 根据年龄和薪资筛选数据
filtered_df = df[(df[‘Age’] > 25) & (df[‘Salary’] > 6000)]
print(filtered_df)
运行上述代码，我们可以得到年龄大于 25 且薪资大于 6000 的数据：
Name Age Salary
0 Bob 30 7000
1 Alice 35 8000
三、使用布尔索引
布尔索引是 Pandas 中的一个重要特性，它允许我们通过布尔数组对 DataFrame 进行筛选。以下是一个示例：
# 使用布尔索引筛选数据
mask = df[‘Age’] > 25
filtered_df = df[mask]
print(filtered_df)
运行上述代码，我们同样可以得到年龄大于 25 的数据。
四、使用
query
方法
query
方法是 Pandas 中的一个高级筛选技巧，它允许我们使用字符串表达式进行筛选。以下是一个示例：
# 使用 query 方法筛选数据
filtered_df = df.query(‘Age > 25 and Salary > 6000’)
print(filtered_df)
运行上述代码，我们可以得到年龄大于 25 且薪资大于 6000 的数据。
五、使用
loc
和
iloc
方法
loc
和
iloc
方法是 Pandas 中的两个常用方法，它们可以用于根据索引或位置对 DataFrame 进行筛选。以下是一个示例：
# 使用 loc 方法根据索引筛选数据
filtered_df = df.loc[df.index[1:3]]
print(filtered_df)
运行上述代码，我们可以得到索引为 1 和 2 的数据：
Name Age Salary
1 Jerry 25 6000
2 Bob 30 7000
六、使用
eval
方法
eval
方法可以用于执行字符串表达式，并在 DataFrame 中进行筛选。以下是一个示例：
# 使用 eval 方法根据表达式筛选数据
filtered_df = df.eval(‘Age > 25 & Salary > 6000’)
print(filtered_df)
运行上述代码，我们可以得到年龄大于 25 且薪资大于 6000 的数据。
总结
本文介绍了 Pandas 中的高级数据筛选技巧，包括基础数据筛选、向量化条件筛选、布尔索引、
query
方法、
loc
和
iloc
方法以及
eval
方法。通过掌握这些技巧，我们可以轻松地对 Pandas DataFrame 进行数据筛选，提高数据分析效率。希望本文对您有所帮助。