【pandas基础】--数据检索

pandas的数据检索功能是其最基础也是最重要的功能之一。

pandas中最常用的几种数据过滤方式如下：

1. 行列过滤：选取指定的行或者列
2. 条件过滤：对列的数据设置过滤条件
3. 函数过滤：通过函数设置更加复杂的过滤条件

本篇所有示例所使用的测试数据如下：

import pandas as pd
import numpy as np

fp = "http://databook.top:8888/pandas/cn-people.csv"
df = pd.read_csv(fp)
df

1. 行列过滤

pandas中最常用的按行或者按列选择数据的函数是 loc 和 iloc。

1.1 loc 函数

loc函数通过标签索引选择行列数据，可以在一个语句中同时指定行和列的条件。
按范围选取行：

df.loc([1:5, :])

选取指定的行：

df.loc[[1, 5], :]

按范围选取列：

df.loc[:, "年份":"指标中文"]

选取指定的列：

df.loc[:, ["年份","指标中文"]]

行和列也可以同时设置：

df.loc[1:3, ["年份","指标中文"]]

1.2 iloc 函数

iloc函数通过整数位置索引选择行列数据。
这种方法与loc方法类似，但是它使用整数位置而不是标签。

按范围选择行：

df.iloc([1:5, :])

注意这里可以看出iloc和loc的区别，同样的范围[1:5]，
iloc不包括index=5的数据，而loc是包括index=5的数据。

选择指定的行：

df.iloc[[1, 5], :]

这种选择方式下，iloc和loc函数返回的结果是一样的。

按范围选择列：

df.iloc[:, 0:3]

注意，这里是 iloc和loc的另一个区别，
iloc只能用数字序列来表示列的范围（第一列对应数字0），
回顾之前的loc函数，我们可以用列名来表示范围的df.loc[:, "年份":"指标中文"]。

另外，iloc表示列的范围0:3表示是0,1,2三列，不包括3这一列。

选择指定的列：

df.iloc[:, [0, 2]]

同loc一样，iloc也可以行和列同时设置：

df.iloc[1:5, [0, 2]]

2. 条件过滤

行列过滤的方式是基于索引和列名称来过滤的，除此之外，还可以根据列的值来过滤。
这也是分析时常用的过滤方式。

2.1 单条件

根据列的值来过滤，列的值是数值还是字符串都可以。

df[df["年份"] > 2020]

字符串的过滤方式：

df[df["指标中文"].str.contains("乡村")].head()

2.2 多条件

除了设置单独的条件之外，也支持通过逻辑符号&和|来设置多个条件。

df[(df["年份"] > 2020) & (df["指标中文"].str.contains("乡村"))]

必须同时满足年份>2021和指标中文包含乡村两个条件的数据，只有1条。

df[(df["年份"] > 2020) | (df["指标中文"].str.contains("乡村"))].head(6)

只要满足年份>2021和指标中文包含乡村两个条件之一的数据。

3. 函数过滤

pandas中还有两种通过函数来过滤和转换数据的方式，这种方式可以将自定义的函数应用到数据之上。
这样就提供了相当灵活的数据操作方式。

3.1 apply

针对DataFrame某一列数据的apply。
比如下面的示例增加一列，其值是将value列的数据放大10倍：

df["value10倍"] = df["value"].apply(lambda x: x*10)
df

3.2 map

针对DataFrame某一列数据的map。
比如下面的示例增加一列，其值是设置指标中文的缩写。

df["指标缩写"] = df["指标中文"].map({"年末总人口": "总人口", "乡村人口": "乡村"})
df

4. 总结回顾

本篇主要介绍了pandas数据检索的常用方式，数据检索是做分析时最常用的步骤。
通过数据过滤方法，快速确定用于分析的数据范围，剥离无用的数据，提高分析的效率。

数据检索方式由易到难分别为：

1. 行列过滤，loc和iloc
2. 条件过滤，单条件和多条件过滤
3. 函数过滤，自定义函数灵活的调整已有列的数据