當前位置：首頁 > 科技 > 軟件

Pandas中選擇和過濾數據的終極指南

來源：責編：時間：2023-11-30 17:30:30 232觀看

導讀Python pandas庫提供了幾種選擇和過濾數據的方法，如loc、iloc、[]括號操作符、query、isin、between等等本文將介紹使用pandas進行數據選擇和過濾的基本技術和函數。無論是需要提取特定的行或列，還是需要應用條件過濾，pa

Python pandas庫提供了幾種選擇和過濾數據的方法，如loc、iloc、[]括號操作符、query、isin、between等等

本文將介紹使用pandas進行數據選擇和過濾的基本技術和函數。無論是需要提取特定的行或列，還是需要應用條件過濾，pandas都可以滿足需求。

選擇列

loc[]:根據標簽選擇行和列。df.row_label loc, column_label]

也可以使用loc進行切片操作:

df.loc['row1_label':'row2_label' , 'column1_label':'column2_label']

例如

# Using loc for label-based selection df.loc[:, 'Customer Country':'Customer State']

# Using loc for label-based selection df.loc[[0,1,2], 'Customer Country':'Customer State']

iloc[]:根據位置索引選擇行和列。df.iloc [row_position column_position]

可以使用iloc進行切片操作:

df.iloc['row1_position':'row2_position','col1_position':'col2_position']

例如：

# Using iloc for index-based selection df.iloc[[0,1,2,3] , [3,4,5,6,7,8]]  # or df.iloc[[0,1,2,3] , 3:9]

# Using iloc for index-based selection df.iloc[:, 3:8]

[]括號操作符:它允許選擇一個或多個列。df[['column_label']]或df[['column1'， 'column2']]]

# Selecting a single column df[['Customer Country']]

# Selecting multiple columns df[['Customer Country', 'Customer State']]

過濾行

loc[]:按標簽過濾行。df.loc(條件)

# Using loc for filtering rows condition = df['Order Quantity'] > 3 df.loc[condition]  # or df.loc[df['Order Quantity'] > 3]

# Using loc for filtering rows df.loc[df['Customer Country'] == 'United States']

iloc():按位置索引篩選行。

# Using iloc for filtering rows df.iloc[[0, 2, 4]]

# Using iloc for filtering rows df.iloc[:3, :2]

[]括號操作符:它允許根據條件過濾行。df(條件)

# Using [] bracket operator for filtering rows# Using [] bracket operator for filtering rows condition = df['Order Quantity'] > 3 df[condition]  # or df[df['Order Quantity'] > 3]

isin([]):基于列表過濾數據。df (df (column_name”).isin ([value1, ' value2 ']))

# Using isin for filtering rows df[df['Customer Country'].isin(['United States', 'Puerto Rico'])]

# Filter rows based on values in a list and select spesific columns df[["Customer Id", "Order Region"]][df['Order Region'].isin(['Central America', 'Caribbean'])]

# Using NOT isin for filtering rows df[~df['Customer Country'].isin(['United States'])]

query():方法用于根據類似sql的條件表達式選擇數據。df.query(條件)

如果列名包含空格或特殊字符，首先應該使用rename()函數來重命名它們。

# Rename the columns before performing the query df.rename(columns={'Order Quantity' : 'Order_Quantity', "Customer Fname" : "Customer_Fname"}, inplace=True)  # Using query for filtering rows with a single condition df.query('Order_Quantity > 3')

# Using query for filtering rows with multiple conditions df.query('Order_Quantity > 3 and Customer_Fname == "Mary"')

between():根據在指定范圍內的值篩選行。df[df['column_name'].between(start, end)]

# Filter rows based on values within a range df[df['Order Quantity'].between(3, 5)]

字符串方法:根據字符串匹配條件篩選行。例如str.startswith()， str.endswith()， str.contains()

# Using str.startswith() for filtering rows df[df['Category Name'].str.startswith('Cardio')]

# Using str.contains() for filtering rows df[df['Customer Segment'].str.contains('Office')]

更新值

loc[]:可以為DataFrame中的特定行和列并分配新值。

# Update values in a column based on a condition df.loc[df['Customer Country'] == 'United States', 'Customer Country'] = 'USA'

iloc[]:也可以為DataFrame中的特定行和列并分配新值，但是他的條件是數字索引

# Update values in a column based on a condition df.iloc[df['Order Quantity'] > 3, 15] = 'greater than 3'  # condition = df['Order Quantity'] > 3 df.iloc[condition, 15] = 'greater than 3'

replace():用新值替換DataFrame中的特定值。df.['column_name'].replace(old_value, new_value, inplace=True)

# Replace specific values in a column df['Order Quantity'].replace(5, 'equals 5', inplace=True)

總結

Python pandas提供了很多的函數和技術來選擇和過濾DataFrame中的數據。比如我們常用的 loc和iloc，有很多人還不清楚這兩個的區別，其實它們很簡單，在Pandas中前面帶i的都是使用索引數值來訪問的，例如 loc和iloc，at和iat，它們訪問的效率是類似的，只不過是方法不一樣，我們這里在使用loc和iloc為例做一個簡單的說明：

loc：根據標簽（label）索引，什么是標簽呢？

行標簽就是我們所說的索引（index），列標簽就是列名（columns）

iloc,根據標簽的位置索引。

iloc就是 integer loc的縮寫。也就是說我們不知道列名的時候可以直接訪問的第幾行，第幾列

這樣解釋應該可以很好理解這兩個的區別了。最后如果你看以前(很久以前)的代碼可能還會看到ix，它是先于iloc、和loc的。但是現在基本上用iloc和loc已經完全能取代ix，所以ix已經被官方棄用了。如果有看到的話說明這個代碼已經很好了，并且完全可以使用iloc替代。

最后，通過靈活本文介紹的這些方法，可以更高效地處理和分析數據集，從而更好地理解和挖掘數據的潛在信息。希望這個指南能夠幫助你在數據科學的旅程中取得更大的成功！

本文鏈接：http://www.www897cc.com/showinfo-26-35559-0.htmlPandas中選擇和過濾數據的終極指南

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： Python文件操作：高效處理文件的技巧

下一篇：快速入門 Python sympy 庫：解決數學難題從此不再困擾！

標簽：

熱門焦點

官方承諾：K60至尊版將會首批升級MIUI 15

全新的MIUI 15今天也有了消息，在官宣了K60至尊版將會搭載天璣9200+處理器和獨顯芯片X7的同時，Redmi給出了官方承諾，K60至尊重大更新首批升級，會首批推送MIUI 15。也就是說雖然
5月安卓手機好評榜：魅族20 Pro奪冠

性能榜和性價比榜之后，我們來看最后的安卓手機好評榜，數據來源安兔兔評測，收集時間2023年5月1日至5月31日，僅限國內市場。第一名：魅族20 Pro好評率：97.50%不得不感慨魅族老品牌還
K6：面向開發人員的現代負載測試工具

K6 是一個開源負載測試工具，可以輕松編寫、運行和分析性能測試。它建立在 Go 和 JavaScript 之上，它被設計為功能強大、可擴展且易于使用。k6 可用于測試各種應用程序，包括 Web
不容錯過的MSBuild技巧，必備用法詳解和實踐指南

一、MSBuild簡介MSBuild是一種基于XML的構建引擎，用于在.NET Framework和.NET Core應用程序中自動化構建過程。它是Visual Studio的構建引擎，可在命令行或其他構建工具中使用
得物寵物生意「狂飆」，發力“它經濟”

作者｜花花小萌主近日，得物宣布正式上線寵物鑒別，通過得物App內的“在線鑒別”，可找到鑒別寵物的選項。通過上傳自家寵物的部位細節，就能收獲擁有專業資質認證的得物鑒
華為Mate60系列模具曝光：采用碩大圓形后置相機模組+拼接配色方案

據此前多方爆料，今年華為將開始恢復一年雙旗艦戰略，除上半年推出的P60系列外，往年下半年的Mate系列也將迎來更新，有望在9-10月份帶來全新的華為Mate60
半導體需求下滑三星電子DS業務部門今年營業虧損預計超10萬億韓元

7月17日消息，據外媒報道，去年下半年開始的半導體需求下滑，影響到了三星電子、SK海力士、英特爾等諸多廠商，營收明顯下滑，部分廠商甚至出現了虧損。作為
機構稱Q2全球智能手機出貨量同比下滑11% 蘋果份額依舊第2

7月20日消息，據外媒報道，研究機構的報告顯示，由于需求下滑，今年二季度全球智能手機的出貨量，同比下滑了11%，三星、蘋果等主要廠商的銷量，較去年同期均有下
2022爆款：ROG魔霸6 冰川散熱系統持續護航

喜逢開學季，各大商家開始推出自己的新產品，進行打折促銷活動。對于忠實的端游愛好者來說，能夠擁有一款夢寐以求的筆記本電腦是一件十分開心的事。但是現在的

日韩成人免费在线_国产成人一二_精品国产免费人成电影在线观..._日本一区二区三区久久久久久久久不

Pandas中選擇和過濾數據的終極指南

選擇列

過濾行

更新值

總結

官方承諾：K60至尊版將會首批升級MIUI 15

5月安卓手機好評榜：魅族20 Pro奪冠

K6：面向開發人員的現代負載測試工具

不容錯過的MSBuild技巧，必備用法詳解和實踐指南

得物寵物生意「狂飆」，發力“它經濟”

華為Mate60系列模具曝光：采用碩大圓形后置相機模組+拼接配色方案

半導體需求下滑三星電子DS業務部門今年營業虧損預計超10萬億韓元

機構稱Q2全球智能手機出貨量同比下滑11% 蘋果份額依舊第2

2022爆款：ROG魔霸6 冰川散熱系統持續護航

最新推薦

猜你喜歡

熱門推薦

相關資訊