鋒哥原創的Pandas2?Python數據處理與分析 視頻教程：??

2025版 Pandas2 Python數據處理與分析 視頻教程(無廢話版) 玩命更新中~_嗶哩嗶哩_bilibili

前面我們學了.loc[]等幾個簡單的數據篩選操作，但實際業務需求往 往需要按照一定的條件甚至復雜的組合條件來查詢數據。

邏輯運算操作

類似于Python的邏輯運算，我們以DataFrame其中一列進行邏輯計算，會產生一個對應的由布爾值組成的Series，真假值由此位上的數據是否滿足邏輯表達式決定。

我們看一個最簡單示例，查看語文是否及格：

df.set_index('姓名').語文分數 >= 60

同樣支持多列判斷，查看語文，數據，英語是否及格：

df.set_index('姓名').loc[:, ['語文分數', '數學分數', '英語分數']] >= 60

同時還支持組合條件的邏輯運算，我們來查下數學及格的男生。

~(df.數學分數 < 60) & (df['性別'] == '男')

邏輯篩選數據操作

前面我們邏輯運算返回的是布爾類型的Series結果集，我們現在可以通過切片[]，.loc()方法來返回邏輯篩選結果。

我們看幾個切片[]實例：

df[df['語文分數'] >= 60] # 查詢語文及格的人
df[~(df['語文分數'] >= 60)] #查詢語文不及格的人
df[df.語文分數 > df.數學分數] # 查詢語文分數高于數學分數的人

我們在幾個.loc[]實例：

df.loc[df['語文分數'] >= 60, '語文分數'] # 查詢語文及格的人，只顯示索引名稱和語文分數列
df.loc[(df.語文分數 >= 60) & (df.數學分數 >= 60) & (df.英語分數 >= 60)] # 語數英都及格的人
df.loc[(df.語文分數 >= 90) | (df.數學分數 >= 90) | (df.英語分數 >= 90)] # 語數英至少有一個90分的人
df.loc[df.語文分數 == 100] # 語文滿分的人

需要注意的是在進行或（|）、與（&）、非（~）運算時，各個獨 立邏輯表達式需要用括號括起來。

pandas提供了一些比較函數來支持邏輯運算：

df.ne() # 不等于 !=
df.le() # 小于等于 <=
df.lt() # 小于 <
df.ge() # 大于等于 >=
df.gt() # 大于 >

參考示例：

df.loc[df.語文分數.eq(100)] # 語文滿分的人
df.loc[(df.語文分數.ge(60)) & (df.數學分數.ge(60)) & (df.英語分數.ge(60))]  # 語數英都及格的人

查詢函數query()操作

pandas 的 query() 方法是一種高效且簡潔的 DataFrame 數據過濾工具，允許通過字符串表達式篩選滿足條件的行。它的語法類似于 SQL 的 WHERE 子句，特別適合復雜查詢和動態條件處理。

基本語法

DataFrame.query(expr, inplace=False, **kwargs)

• expr：字符串形式的查詢條件表達式（支持列名、運算符、邏輯條件等）。

• inplace：是否直接修改原 DataFrame（默認為 False，返回新 DataFrame）。

• **kwargs：其他參數（如 engine='python' 或 parser='pandas'）。

---

核心特性

1. 簡潔性：無需重復寫 DataFrame 名稱，直接使用列名操作。

2. 動態表達式：支持字符串插值（如 @variable 引用外部變量）。

3. 性能優化：底層依賴 numexpr 庫，對大數據集查詢效率更高。

4. 復雜條件支持：靈活組合多條件（and/or/not）。

我們來看下示例：

df.query('數學分數>90') # 數學分數大于90的人
df.query('數學分數+語文分數+英語分數>250') # 總分大于250的人
df.query('(語文分數>90)&(性別=="男")') # 語文分數90分以上的男生
df.query('(語文分數>90)and(性別=="男")') # 語文分數90分以上的男生

還支持使用@符號引入變量，看下下面示例：

avg = df.語文分數.mean()  # 求平均分
df.query('語文分數>@avg')  # 語文分數超過平均分的人
df.query('語文分數>@avg+30')  # 語文分數超過平均分30分的人

篩選函數filter()操作

pandas 的 filter() 方法用于根據行或列的標簽名稱篩選數據，支持按列名或行名匹配規則快速過濾。它不依賴數據內容，而是基于標簽的規則匹配，適合處理列名或索引有特定規律的場景。

基本語法

DataFrame.filter(items=None,         # 直接指定列名/行名列表like=None,          # 模糊匹配包含指定字符串的標簽regex=None,         # 正則表達式匹配標簽axis=None           # 篩選方向：0（行）或 1（列，默認）
)

核心參數詳解：

1. items：精確匹配列名或行名

2. like：模糊匹配包含字符串的標簽

3. regex：正則表達式匹配標簽

4. axis：指定篩選方向

具體示例：

df.filter(items=['語文分數', '數學分數']) # 選擇列
df.filter(like='分數')  # 列名包含分數的列
df.filter(regex='孫', axis=0)  # 所有孫姓數據