python dataframe筛选

Catalog DataFrame.loc是基于单个标签的过滤器(行维度)、基于单个标签的过滤器(二维行/列)和基于标签数组的过滤器)

　　在介绍数据帧的数据结构时，引入了标签和位置的概念。这些概念与loc(和iloc)操作相关。因此，在介绍这两个操作之前，让我们再次简要回顾一下标签和位置：

　　标签为：的数据帧的列或行(索引)的名称统称为排序位置(0，1，2，)的标签位置的数据帧的列或行(索引):相应地：

　　Loc)数据选择基于：标签(或布尔数组)iloc)数据选择基于：位置(整数-整数)iloc) I表示整数。

　　Dataframe.loc(dataframe.loc)支持以下类型的参数：

　　单一标签。例如，5或A(其中5不是位置的索引标签，值为5)标签的列表。比如在函数(文字)注意，上面提到的参数都是单个的，比如给出布尔数组匹配 a ， b ， c 标记切片长度的四个结果： f 行/列。

　　在演示各种操作之前，先构建DF。

　　importnumpyasnpimportpandasapddf=PD . data frame([2，3 ]，[ 5，6 ]，[ 8，9 ]，index=[cobra ， viper，

　　基于这个DF，我们来看看loc()的特殊操作。

　　按单个标签过滤df.loc[viper]

　　“viper”是标签名，行数据(viper，5，6)选自放在第一维度的行数据(因为没有用逗号分隔)。

　　您还可以基于单个标签过滤器(行/列维度)来过滤行和列维度。

　　df.loc[cobra ， shield]

　　该操作只允许筛选一个单元格，因为行限制是cobra，列限制是shield。也就是说，是3。

　　基于标记数组df.loc[[viper ， sidewinder]]

　　该操作同时过滤“毒蛇”和“响尾蛇”的数据。

　　基于单切片的df . loc[ cobra : viper ， max_speed]

　　这是一个行/列复合条件过滤器，用于在行维度中使用slice，从cobra行中连续选择viper行，从列维度中选择max_speed列，最终得到上图中的结果集。

　　根据布尔数组过滤df.loc的False，False，True]]]

　　这个布尔数组作用于行维度。False表示跳过且不选择。真的是物竞天择。

　　如果要从行维中筛选所需的数据列，可以编写：

　　df . loc[:[假，真]]输出：

　　shieldcobra 3viper 6sidewinder9操作的逻辑是“运算符全选，在行维度中单独选择第二列”。

　　同样，您可以使用布尔数组在行维和列维度中进行筛选。

　　df . loc[[假，假，真]，[假，真]]输出：

　　在该操作中，仅选择第三行和第二列。

　　基于函数曲面量过滤df.loc [df [shield ]6]

　　Df[shield] 6是一个返回True或False的布尔表达式。为满足某些要求，过滤逻辑为选出那些’shield’列的值大于6的所有的行。

　　一个更标准的例子是lambda表达式。

　　df . loc[lambda df:df[ shield ]==9]

　　这个lambda表达式(匿名函数)等价于df[shield]==9。过滤逻辑为选出那些’shield’列的值等于9的所有的行。

　　本节参考文章：https://www . w3 resource.com/pandas/data帧/数据帧-loc。服务器端编程语言（Professional Hypertext Preprocessor的缩写）

　　DataFrame.iloc))了解DataFrame.loc)后，DataFrame.iloc)会变得简单，操作与DataFrame.loc)高度一致。但是，它不是基于标签，而是基于位置。同样，DataFrame.iloc()支持以下类型的参数：

　　一个位置整数，比如五个位置整数数组，比如[4，3，0]一个位置整数切片，比如匹配17行/列长度的布尔数组，以及上述四个中的一个。

　　importnumpyasnpimportpandasapdmydict={ p :2， q: 3， r: 4， s: 5}，{p: 200 .

　　基于这个DF，我们来看看iloc()的特殊操作。

　　基于一个位置过滤df.iloc[0]的输出：

　　P 2q 3r 4s 5选择第0行的数据。

　　基于定位数组过滤df.iloc [[0，1]]的输出：

　　选择第0行和第1行的数据。

　　根据定位切片过滤df.iloc[:3]的输出：

　　选择前三行记录。

　　根据布尔数组过滤df.iloc[[True，False，True]]的输出。

　　选择第0行和第2行的数据。

　　基于以下函数过滤df.iloc [lambdax: x.index %2==0]的输出：

　　因为选择了具有偶数索引值的行，所以选择了行0和2。

　　

本文来自网络，不代表无忧安卓网立场，转载请注明出处。