【Python】進階學習：pandas–如何根據指定條件篩選數據

🌈 個人主頁：高斯小哥
🔥 高質量專欄：Matplotlib之旅：零基礎精通數據可視化、Python基礎【高質量合集】、PyTorch零基礎入門教程👈 希望得到您的訂閱和支持~
💡 創作高質量博文(平均質量分92+)，分享更多關于深度學習、PyTorch、Python領域的優質內容！（希望得到您的關注~）

---

📚 一、pandas庫簡介

??pandas是Python中一個非常流行的數據處理庫，它提供了大量的數據結構（如Series和DataFrame）以及數據分析工具，讓數據處理變得既簡單又高效。在數據分析的過程中，我們經常需要根據某些條件篩選數據，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

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

📋 示例1：篩選DataFrame中的特定行

假設我們有一個DataFrame df，其中包含學生的信息：

import pandas as pd# 創建一個示例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且成績為A的學生
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()方法篩選數據

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

import pandas as pd# 創建一個示例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或成績為A的學生
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()方法篩選數據

??isin()方法允許我們根據一個值列表來篩選數據。

import pandas as pd# 創建一個示例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、條件篩選與函數應用

??除了直接使用條件表達式，我們還可以結合pandas提供的函數來進行更復雜的篩選操作。

📋 示例5：使用apply()和條件函數篩選數據

import pandas as pd# 創建一個示例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
def is_elderly(age):return age >= 21# 使用apply()方法應用條件函數
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函數來判斷年齡是否大于等于21，然后使用apply()方法將這個函數應用到Age列上，得到一個布爾序列，最后用這個布爾序列來篩選數據。

🌈 五、條件篩選的最佳實踐

??在實際應用中，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的許多函數都是向量化（vectorized）的，這意味著它們在整個數組上操作而不是在單個元素上循環。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據
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()這個向量化函數來創建一個布爾數組，然后用這個數組來篩選數據。

🎉六、 總結

??條件篩選是pandas中非常重要的一個功能，它允許我們根據特定條件來快速、高效地篩選數據。通過學習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來處理和分析數據。希望這篇文章能夠幫助你更深入地理解和應用pandas的條件篩選功能！

🤝七、期待與你共同進步

??🌱 親愛的讀者，非常感謝你每一次的停留和閱讀！你的支持是我們前行的最大動力！🙏

??🌐 在這茫茫網海中，有你的關注，我們深感榮幸。你的每一次點贊👍、收藏🌟、評論💬和關注💖，都像是明燈一樣照亮我們前行的道路，給予我們無比的鼓舞和力量。🌟

??📚 我們會繼續努力，為你呈現更多精彩和有深度的內容。同時，我們非常歡迎你在評論區留下你的寶貴意見和建議，讓我們共同進步，共同成長！💬

??💪 無論你在編程的道路上遇到什么困難，都希望你能堅持下去，因為每一次的挫折都是通往成功的必經之路。我們期待與你一起書寫編程的精彩篇章！ 🎉

??🌈 最后，再次感謝你的厚愛與支持！愿你在編程的道路上越走越遠，收獲滿滿的成就和喜悅！祝你編程愉快！🎉