pandas excel筛选

最新推荐文章于 2024-06-18 16:00:24 发布
最新推荐文章于 2024-06-18 16:00:24 发布
阅读量2.4k 收藏 15
点赞数
分类专栏： pandas

导入pandas和numpy模块。

Python

 

1

2

import pandas as pd

import numpy as np

导入我们样本公司销售年销售额的Excel文件。

Python

 

1

df = pd.read_excel("sample-salesv3.xlsx")

快速浏览一下数据类型，以确保所以事情都能如预期一样运行。

Python

 

1

df.dtypes

 

Python

 

1

2

3

4

5

6

7

8

account number int64

name object

sku object

quantity int64

unit price float64

ext price float64

date object

dtype: object

你会注意到，我们的date列，显示的是一个通用对象。我们准备把它转换为日期对象，来简化将来会用到的一些选择操作。

Python

 

1

2

df['date'] = pd.to_datetime(df['date'])

df.head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
1714466Trantow-BarrowsS2-77896-163.16-63.162014-01-01 10:00:47
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
3307599Kassulke, Ondricka and MetzS1-654814121.05863.052014-01-01 15:05:22
4412290Jerde-HilpertS2-34077683.21499.262014-01-01 23:26:55

 

Python

 

1

df.dtypes

 

Python

 

1

2

3

4

5

6

7

8

account number int64

name object

sku object

quantity int64

unit price float64

ext price float64

date datetime64[ns]

dtype: object

现在，data变成了一个datetime类型的对象，这对于将来的操作是很有用的。

筛选数据

我认为在Excel中最方便的功能是筛选。我想几乎每一次有人拿到一个任意大小的Excel文件，当他们想要筛选数据的时候，都会使用这个功能。

如图，对本数据集使用该功能：

excel-filter

同Excel中的筛选功能一样，你可以使用pandas来筛选和选择某个特定数据的子集。

比方说，如果我们仅仅想查看一个特定的账号，我们可以简单是在Excel中完成，或是使用pandas完成操作。

下面是Excel的筛选解决方案：

excel-filter2

在pandas中执行相关操作比Excel中更加直观。注意，我将会使用head 函数来显示前面几个结果。这仅仅是为了让本文保持简短。

Python

 

1

df[df["account number"]==307599].head()

你还可以以数值为基准来进行筛选。我就不再举任何Excel的例子了。我相信你能明白。

Python

 

1

df[df["quantity"] > 22].head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
3307599Kassulke, Ondricka and MetzS1-654814121.05863.052014-01-01 15:05:22
14737550Fritsch, Russel and AndersonB1-531022371.561645.882014-01-04 08:57:48
15239344Stokes LLCS1-065323471.512431.342014-01-04 11:34:58

如果我们想要更多复杂的筛选，我们可以可以使用map 来以多重标准进行筛选。在这个例子中，从B1中查找以“sku”中起始的项目。

Python

 

1

df[df["sku"].map(lambda x: x.startswith('B1'))].head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
6218895Kulas IncB1-65551231.1062.202014-01-02 10:57:23
14737550Fritsch, Russel and AndersonB1-531022371.561645.882014-01-04 08:57:48
17239344Stokes LLCB1-508091416.23227.222014-01-04 22:14:32

把两个或更多的语句连接起来很简单，用&就可以。

Python

 

1

df[df["sku"].map(lambda x: x.startswith('B1')) & (df["quantity"] > 22)].head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
14737550Fritsch, Russel and AndersonB1-531022371.561645.882014-01-04 08:57:48
26737550Fritsch, Russel and AndersonB1-536364242.061766.522014-01-08 00:02:11
31714466Trantow-BarrowsB1-330873219.56625.922014-01-09 10:16:32

pandas支持的另外一个很有用的函数是isin。它使得我们可以定义一个列表，里面包含我们所希望查找的值

在这个例子中，我们查找包含两个特定account number值的全部项目。

Python

 

1

df[df["account number"].isin([714466,218895])].head()

 

 account numbernameskuquantityunit priceext pricedate
1714466Trantow-BarrowsS2-77896-163.16-63.162014-01-01 10:00:47
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
5714466Trantow-BarrowsS2-778961787.631489.712014-01-02 10:07:15
6218895Kulas IncB1-65551231.1062.202014-01-02 10:57:23
8714466Trantow-BarrowsS1-509612284.091849.982014-01-03 11:29:02

pandas支持的另外一个函数叫做query，它使得我们可以有效的再数据集中选择数据。使用它需要安装numexpr ，所以请确保你在进行下面步骤前已经进行了安装。

如果你想要通过名字来得到一个消费者列表，你可以使用query来完成，和前面展示的python语法类似。

Python

 

1

df.query('name == ["Kulas Inc","Barton LLC"]').head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
6218895Kulas IncB1-65551231.1062.202014-01-02 10:57:23
33218895Kulas IncS1-06532322.3667.082014-01-09 23:58:27
36218895Kulas IncS2-340771673.041168.642014-01-10 12:07:30

这里只是做个简单的示例，query函数能做到的还不止这些。我在此展示这些函数的用法，以便当你有需要的时候，会意识到可以用它。

处理日期

使用pandas，你可以对日期进行更加复杂的筛选。在我们处理日期前，我建议你把日期栏进行一个排序，以便返回的结果如你所愿。

Python

 

1

2

df = df.sort('date')

df.head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
1714466Trantow-BarrowsS2-77896-163.16-63.162014-01-01 10:00:47
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
3307599Kassulke, Ondricka and MetzS1-654814121.05863.052014-01-01 15:05:22
4412290Jerde-HilpertS2-34077683.21499.262014-01-01 23:26:55

在操作日期前，为您展示python的筛选语法。

Python

 

1

df[df['date'] >='20140905'].head()

 

 account numbernameskuquantityunit priceext pricedate
1042163416Purdy-KundeB1-388514198.694046.292014-09-05 01:52:32
1043714466Trantow-BarrowsS1-30248137.1637.162014-09-05 06:17:19
1044729833Koepp LtdS1-654814816.04769.922014-09-05 08:54:41
1045729833Koepp LtdS2-11481626.50159.002014-09-05 16:33:15
1046737550Fritsch, Russel and AndersonB1-33364476.44305.762014-09-06 08:59:08

pandas的一个特别棒的特性是它能够理解日期，所以它允许我们进行部分筛选。如果我只想要查看最近几个月的日期数据，我可以这样做。

 

Python

 

1

df[df['date'] >='2014-03'].head()

 

 account numbernameskuquantityunit priceext pricedate
242163416Purdy-KundeS1-302481965.031235.572014-03-01 16:07:40
243527099Sanford and SonsS2-82423376.21228.632014-03-01 17:18:01
244527099Sanford and SonsB1-50809870.78566.242014-03-01 18:53:09
245737550Fritsch, Russel and AndersonB1-508092050.111002.202014-03-01 23:47:17
246688981Keeling LLCB1-86481-197.16-97.162014-03-02 01:46:44

当然，你可以把筛选标准链接起来。

Python

 

1

df[(df['date'] >='20140701') & (df['date'] <= '20140715')].head()

 

 account numbernameskuquantityunit priceext pricedate
778737550Fritsch, Russel and AndersonS1-654813570.512467.852014-07-01 00:21:58
779218895Kulas IncS1-30248916.56149.042014-07-01 00:52:38
780163416Purdy-KundeS2-824234468.273003.882014-07-01 08:15:52
781672390Kuhn-GusikowskiB1-042024899.394770.722014-07-01 11:12:13
782642753Pollich LLCS2-23246151.2951.292014-07-02 04:02:39

由于pandas可以理解日期列，所以可以将日期值设为不同的格式，都会得到正确的结果。

 account numbernameskuquantityunit priceext pricedate
1168307599Kassulke, Ondricka and MetzS2-23246688.90533.402014-10-08 06:19:50
1169424914White-TrantowS2-103422558.541463.502014-10-08 07:31:40
1170163416Purdy-KundeS1-277222234.41757.022014-10-08 09:01:18
1171163416Purdy-KundeB1-33087779.29555.032014-10-08 15:39:13
1172672390Kuhn-GusikowskiB1-388513094.642839.202014-10-09 00:22:33

 

Python

 

1

df[df['date'] &gt;= '10-10-2014'].head()

 

 account numbernameskuquantityunit priceext pricedate
1174257198Cronin, Oberbrunner and SpencerS2-340771312.24159.122014-10-10 02:59:06
1175740150Barton LLCS1-654812853.001484.002014-10-10 15:08:53
1176146832Kiehn-SpinkaS1-277221564.39965.852014-10-10 18:24:01
1177257198Cronin, Oberbrunner and SpencerS2-16558335.34106.022014-10-11 01:48:13
1178737550Fritsch, Russel and AndersonB1-536361056.95569.502014-10-11 10:25:53

当操作时间序列数据时，如果你把数据进行转化，以日期作为索引，我们可以做一些变相的筛选。

使用set_index 来设置新的索引。

Python

 

1

2

df2 = df.set_index(['date'])

df2.head()

 

 account numbernameskuquantityunit priceext price
date      
2014-01-01 07:21:51740150Barton LLCB1-200003986.693380.91
2014-01-01 10:00:47714466Trantow-BarrowsS2-77896-163.16-63.16
2014-01-01 13:24:58218895Kulas IncB1-699242390.702086.10
2014-01-01 15:05:22307599Kassulke, Ondricka and MetzS1-654814121.05863.05
2014-01-01 23:26:55412290Jerde-HilpertS2-34077683.21499.26

你可以通过切分数据来获取一段区间。

Python

 

1

df2["20140101":"20140201"].head()

 

 account numbernameskuquantityunit priceext price
date      
2014-01-01 07:21:51740150Barton LLCB1-200003986.693380.91
2014-01-01 10:00:47714466Trantow-BarrowsS2-77896-163.16-63.16
2014-01-01 13:24:58218895Kulas IncB1-699242390.702086.10
2014-01-01 15:05:22307599Kassulke, Ondricka and MetzS1-654814121.05863.05
2014-01-01 23:26:55412290Jerde-HilpertS2-34077683.21499.26

再一次的，我们可以使用不同的日期表示方法来避免模棱两可的日期命名惯例。

Python

 

1

df2["2014-Jan-1":"2014-Feb-1"].head()

 

 account numbernameskuquantityunit priceext price
date      
2014-01-01 07:21:51740150Barton LLCB1-200003986.693380.91
2014-01-01 10:00:47714466Trantow-BarrowsS2-77896-163.16-63.16
2014-01-01 13:24:58218895Kulas IncB1-699242390.702086.10
2014-01-01 15:05:22307599Kassulke, Ondricka and MetzS1-654814121.05863.05
2014-01-01 23:26:55412290Jerde-HilpertS2-34077683.21499.26

 

Python

 

1

df2["2014-Jan-1":"2014-Feb-1"].tail()

 

 account numbernameskuquantityunit priceext price
date      
2014-01-31 22:51:18383080Will LLCB1-059144380.173447.31
2014-02-01 09:04:59383080Will LLCB1-20000733.69235.83
2014-02-01 11:51:46412290Jerde-HilpertS1-277221121.12232.32
2014-02-01 17:24:32412290Jerde-HilpertB1-86481335.99107.97
2014-02-01 19:56:48412290Jerde-HilpertB1-200002378.901814.70

 

Python

 

1

df2["2014"].head()

 

 account numbernameskuquantityunit priceext price
date      
2014-01-01 07:21:51740150Barton LLCB1-200003986.693380.91
2014-01-01 10:00:47714466Trantow-BarrowsS2-77896-163.16-63.16
2014-01-01 13:24:58218895Kulas IncB1-699242390.702086.10
2014-01-01 15:05:22307599Kassulke, Ondricka and MetzS1-654814121.05863.05
2014-01-01 23:26:55412290Jerde-HilpertS2-34077683.21499.26

 

Python

 

1

df2["2014-Dec"].head()

 

 account numbernameskuquantityunit priceext price
date      
2014-12-01 20:15:34714466Trantow-BarrowsS1-82801377.97233.91
2014-12-02 20:00:04146832Kiehn-SpinkaS2-232463757.812138.97
2014-12-03 04:43:53218895Kulas IncS2-778963077.442323.20
2014-12-03 06:05:43141962Herman LLCB1-531022026.12522.40
2014-12-03 14:17:34642753Pollich LLCB1-536361971.211352.99

正如你所见到的那样，在进行基于日期的排序或者筛选时，可以有很多选择。

额外的字符串方法

Pandas同样已经支持了矢量字符串方法。

如果我们想识别出sku栏中包含某一特定值的全部值。我们可以使用str.contains。在这个例子中，我们已知sku总是以一种相同的方式表示，所以B1仅会出现在sku的前面。你需要理解你的数据来保证你能够得到你想要的结果。

Python

 

1

df[df['sku'].str.contains('B1')].head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
6218895Kulas IncB1-65551231.1062.202014-01-02 10:57:23
14737550Fritsch, Russel and AndersonB1-531022371.561645.882014-01-04 08:57:48
17239344Stokes LLCB1-508091416.23227.222014-01-04 22:14:32

我们可以把查询连接起来并且使用排序来控制数据的顺序。

Python

 

1

df[(df['sku'].str.contains('B1-531')) &amp; (df['quantity']&gt;40)].sort(columns=['quantity','name'],ascending=[0,1])

 

 account numbernameskuquantityunit priceext pricedate
684642753Pollich LLCB1-531024626.071199.222014-06-08 19:33:33
792688981Keeling LLCB1-531024541.191853.552014-07-04 21:42:22
176383080Will LLCB1-531024589.224014.902014-02-11 04:14:09
1213604255Halvorson, Crona and ChamplinB1-531024155.052257.052014-10-18 19:27:01
1215307599Kassulke, Ondricka and MetzB1-531024193.703841.702014-10-18 23:25:10
1128714466Trantow-BarrowsB1-531024155.682282.882014-09-27 10:42:48
1001424914White-TrantowB1-531024181.253331.252014-08-26 11:44:30

彩蛋任务

在Excel中，我发现我自己经常会尝试从一个冗长的列表中，得到一个包含不重复项的小列表。在Excel中这件事情需要分几步来完成，但是在Pandas中却非常简单。有一种方式是使用Excel中提供的高级筛选工具来完成。

excel-filter3

在pandas中，我们对某列使用这个unique函数来获取这个列表。

Python

 

1

df["name"].unique()

 

Python

 

1

2

3

4

5

6

7

8

array([u'Barton LLC', u'Trantow-Barrows', u'Kulas Inc',

u'Kassulke, Ondricka and Metz', u'Jerde-Hilpert', u'Koepp Ltd',

u'Fritsch, Russel and Anderson', u'Kiehn-Spinka', u'Keeling LLC',

u'Frami, Hills and Schmidt', u'Stokes LLC', u'Kuhn-Gusikowski',

u'Herman LLC', u'White-Trantow', u'Sanford and Sons',

u'Pollich LLC', u'Will LLC', u'Cronin, Oberbrunner and Spencer',

u'Halvorson, Crona and Champlin', u'Purdy-Kunde'], dtype=object)

If we wanted to include the account number, we could use drop_duplicates .

如果我们想要包含账户号，我们可以使用drop_duplicates。

Python

 

1

df.drop_duplicates(subset=["account number","name"]).head()

 

 account numbernameskuquantityunit priceext pricedate
0740150Barton LLCB1-200003986.693380.912014-01-01 07:21:51
1714466Trantow-BarrowsS2-77896-163.16-63.162014-01-01 10:00:47
2218895Kulas IncB1-699242390.702086.102014-01-01 13:24:58
3307599Kassulke, Ondricka and MetzS1-654814121.05863.052014-01-01 15:05:22
4412290Jerde-HilpertS2-34077683.21499.262014-01-01 23:26:55

很显然我们放入了的数据超过了我们的需要，得到了一些无用的信息，因此，使用ix 来仅仅选择第一第二列。

Python

 

1

df.drop_duplicates(subset=["account number","name"]).ix[:,[0,1]]

 

 account numbername
0740150Barton LLC
1714466Trantow-Barrows
2218895Kulas Inc
3307599Kassulke, Ondricka and Metz
4412290Jerde-Hilpert
7729833Koepp Ltd
9737550Fritsch, Russel and Anderson
10146832Kiehn-Spinka
11688981Keeling LLC
12786968Frami, Hills and Schmidt
15239344Stokes LLC
16672390Kuhn-Gusikowski
18141962Herman LLC
20424914White-Trantow
21527099Sanford and Sons
30642753Pollich LLC
37383080Will LLC
51257198Cronin, Oberbrunner and Spencer
67604255Halvorson, Crona and Champlin
106163416Purdy-Kunde

我认为这个记住这个单独的命令比记忆Excel的各步操作更容易。

如果你想要查看我的笔记 请随意下载。

qq_22957637
关注
  • 0
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python-pandas-Excel排序、筛选
weixin_45794183的博客
07-02 2082
pandas排序、过滤
pandas如何根据Excel单元格背景颜色筛选
shenqigongshi的博客
06-28 766
1、使用StyleFrame（包装 pandas），您可以将 excel 文件读入数据框，而不会丢失样式数据。考虑以下工作表：在此处输入图像描述。
Python 帮同事用pandas快速筛选Excel文件
汉阳Hann's Home
12-20 6499
1. python 支持中文名变量，直接用列名作变量有好处，省得注释以及想很多变量名称来命名。 2. DataFrame筛选条件的逻辑运算用 & | ，其运算级别高于“大于”“小于”“等于”等。 3. 取DataFrame的列，可以用 df['收款人'] 也能用 df.收款人，我觉得用后者更方便点。 4. 源数据“摘要”列中有空单元格，读入DataFrame中后其值为nan，这个起先没注意到代码一直报错。后查询到df有.fillna()方法可以替换掉空值。 5. 求行数可以直接用len(df)，也可...
Python自动化办公篇—pandas操作Excel：读取+查看+选择+清洗+排序+筛选+函数+写入
weixin_42636075的博客
06-18 1672
Python自动化办公篇—pandas操作Excel：读取+查看+选择+清洗+排序+筛选+函数+写入
Python：使用pandas对excel数据筛选选择
热门推荐
焊武大帝的专栏
07-14 1万+
直接筛选#DataFrame索引使用[],#直接索引语法:df[]1.1 直接筛选,选择单列数据：df["列"]1.2直接筛选,选择多列数据：df[["列1","列2"]](注意:多嵌套列)1.3直接筛选,选择多行数据：df[2:4]按照位置选取连续的行(切片)，前闭后开。
pythonpandas筛选_Python+pandas执行Excel筛选编辑功能
weixin_39564036的博客
12-05 1053
写在前面本期准备讲一下最近常用的一些关于pandas库的一些话题，至于重点则是放在介绍怎么使用pandas库来快速完成Excel中的筛选和编辑功能。下面正式进入本期的主题。第一讲：Excel中的筛选和编辑Excel，相信对各位来说都不会陌生吧。作为一名办公人士，我们在日常工作中最常用的Excel功能可能是数据透视表，但是，绝对不能否定的一点就是，Excel中的筛选功能绝对是我们最熟悉的Excel操...
Python pandas 操作 excel 详解
鱼丸丶粗面
12-26 9616
Python pandas 操作 excel 详解
Pyhton 批量筛选Excel的方法——Pandas的使用
weixin_40754097的博客
05-29 8420
Pyhton 批量筛选Excel的方法——Pandas的使用摘要说明1、初始化数据（可跳过）2、根据条件筛选数据 摘要 在进行数据处理时，经常需要筛选出满足条件的数据，本文给出一种使用Python筛选Excel表格中数据的简单方法。 说明 对一张表几个字段的筛选无法体现Python处理数据的能力，本文所举案例只为示范说明。 1、初始化数据（可跳过） 假设有这样一个表，统计单位与会人员的信息，1表示到会，0表示缺席，session-1表示第一次会议，session-2表示第二次会议，以此类推。首先生成一个这样
pandas实现execl筛选数据
IT之一小佬的博客
02-19 616
pandas实现execl筛选数据
pandas 筛选excel文件并保存新表
sakura_ting的博客
02-10 4515
文章目录前言代码总结 前言 今天处理了一个大的excel文件，从中筛选符合条件的数据，excel工具只能筛选两个条件太局限了，就用pandas处理了一下，也是学到了很多东西，在这里记录一下，方便查阅，如果有什么写的不对，不好的地方，希望大佬指正！ 代码 代码量很少，就直接在代码中写注释了 import pandas as pd # 导入pandas包 from tqdm import tqdm # 这是个进度条的库，方便查看进度 ''' 表格中的数据是这样的：GL-1(2024-02-
forkkk:pandas操作Excel
05-14
3. **处理数据**：pandas DataFrame提供了丰富的数据处理功能，包括数据清洗（如去除空值、替换值）、数据筛选（如`loc`和`iloc`）、数据聚合（如`groupby`和`agg`）、数据排序（`sort_values`）等。 4. **统计分析...
Excel 筛选 配套数据
06-13
本篇文章将深入探讨如何利用Python的库，如pandas，来实现类似Excel的筛选操作。 首先，让我们了解Excel中的筛选功能。在Excel中，你可以对一列或多列数据应用筛选条件，只显示满足这些条件的行。例如，如果你想找...
精准筛选：Pandas数据筛选的高级指南
07-01
1. **DataFrame对象**：Pandas的核心数据结构，类似于Excel中的表格或SQL数据库中的表，可以存储不同类型的数据列。 2. **Series对象**：一种一维数组，可以存储任何数据类型，每个元素都有一个标签。 3. **强大的...
Windows下Python使用Pandas模块操作Excel文件的教程
09-21
这可以通过数据筛选和排序实现，Pandas提供了灵活的索引和分组功能。比如，我们可以使用`groupby`函数按成员ID分组，然后选择每个组的最后一条记录： ```python member_summaries = df.groupby('member')['activity...
pillow_heif-0.17.0-pp39-pypy39_pp73-macosx_14_0_arm64.whl
07-27
基本介绍 名称与起源：Pillow，原名为PIL（Python Imaging Library），但PIL只支持Python 2版本。随着Python 3的普及，Pillow作为PIL的一个分支出现，兼容Python 3并提供更多的功能和改进。 主要功能：Pillow支持多种图像格式的打开、保存、显示以及基本的图像操作和处理，如裁剪、缩放、旋转、翻转、滤镜应用等。 跨平台性：Pillow库可以在不同的操作系统上运行，包括Windows、Linux和MacOS等。 主要功能模块 Pillow库包含多个功能模块，每个模块都提供了特定的图像处理功能。以下是一些常用的模块： Image：用于处理图像文件，提供打开、保存、调整大小、旋转、裁剪、滤镜等功能。 ImageDraw：提供在图像上绘制各种形状（如线条、矩形、圆形）和文本的功能。 ImageFont：用于加载和使用TrueType字体文件，以便在图像上绘制文本时设置字体样式、大小和颜色。 ImageFilter：提供各种滤镜效果，如模糊、锐化、边缘增强等，用于图像增强、特效处理和图像识别等应用。 ImageEnhance：用于调整图像的亮度、对比度、颜色饱和度等参数，使图像更加清晰、明亮或具有特定的调色效果。 高级功能 除了基本的图像处理功能外，Pillow还支持一些高级功能，如色彩空间转换、直方图均衡化等。这些功能可以帮助用户进行更复杂的图像处理和分析。
cykooz.resizer-3.0.0-cp310-cp310-macosx_11_0_arm64.whl
07-27
python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！ python库，可以直接安装使用，再也不怕自己pip下载，出现等待超时的现象。欢迎下载使用，使用过程中如有使用问题，请及时与我沟通交流，帮你解决！
[毕设]Delphi题库管理与试卷自动生成系统.zip
最新发布
07-27
[毕设]Delphi题库管理与试卷自动生成系统
pythonpandas筛选excel数据
06-28
### 回答1： Python pandas可以通过以下步骤筛选Excel数据： 1. 使用pandas库中的read_excel()函数读取Excel文件，将数据读入到DataFrame中。 2. 使用DataFrame中的loc[]函数或者iloc[]函数，根据条件筛选需要的数据。 3. 将筛选后的数据保存到Excel文件中，可以使用to_excel()函数。 例如，以下代码可以读取Excel文件中的数据，并筛选出“销售额”大于100的数据： ``` import pandas as pd # 读取Excel文件 df = pd.read_excel('data.xlsx') # 筛选销售额大于100的数据 df_filtered = df.loc[df['销售额'] > 100] # 将筛选后的数据保存到Excel文件中 df_filtered.to_excel('filtered_data.xlsx', index=False) ``` 以上代码中，'data.xlsx'是要读取的Excel文件名，'销售额'是Excel文件中的列名，'filtered_data.xlsx'是保存筛选后数据的Excel文件名。 ### 回答2： Python是一种面向对象的动态编程语言，很适合数据分析、数据挖掘和数据科学等领域的应用。Pandas是Python的一个数据分析库，它提供了很多有用的数据结构和函数，使得Python更具备分析和处理数据的能力。 Pandas可以轻松地读取、处理和操作Excel文件，提供各种方法和工具来筛选数据。以下是在Python Pandas中筛选Excel数据的基本步骤： 1. 导入Pandas库，可以使用以下代码： ``` import pandas as pd ``` 2. 读取Excel文件，常用的方法是使用read_excel()函数，如下所示： ``` df = pd.read_excel('filename.xlsx') ``` 3. 查看数据，可以使用head()函数查看前几行数据，如下所示： ``` print(df.head()) ``` 4. 根据条件筛选数据，如下面的例子中，我们将从df中筛选出所有'Male'性别的数据： ``` male = df[(df['Gender'] == 'Male')] ``` 5. 可以使用多个条件来筛选数据，如下例子所示，我们将从df中筛选出'Male'性别中'Software Engineer'职位的数据： ``` male_software = df[(df['Gender'] == 'Male') & (df['Job Title'] == 'Software Engineer')] ``` 6. 可以使用类似于SQL的关键字来进行筛选，如下所示： ``` df.query("Gender == 'Male' and `Job Title` == 'Software Engineer'") ``` 7. 根据列的值排序数据，可以使用sort_values()函数，如下所示： ``` df.sort_values('Salary', inplace=True) ``` 8. 保存结果，可以使用to_excel()函数保存结果到Excel文件，如下所示： ``` male_software.to_excel('result.xlsx', index=False) ``` 以上就是在Python Pandas中筛选Excel数据的基本步骤。筛选Excel数据是数据分析和科学的重要环节，Pandas使得这个过程更加简单和自动化。 ### 回答3： Pandas是Python编程语言中的数据处理包，它能够很方便地对数据进行筛选和分析。Pandas主要使用的是DataFrame对象完成数据处理，其具有类似于Excel电子表格的形式，数据以行和列的形式组织。DataFrame是Pandas中最重要的数据结构，通常它会使用read_excel()函数将Excel文件转换为DataFrame格式，实现数据的筛选和分析。 通常使用Pandas筛选Excel数据可以分为以下步骤： 1. 导入必要的模块和Excel数据 要使用Pandas进行数据处理，我们需要首先导入Python中相应的模块包，如pandas和numpy等。同时，我们需要将需要筛选的Excel数据导入到Python中，并将其转化为DataFrame数据结构，此时使用read_excel()函数是比较方便的。 2. 数据清洗 在导入Excel数据后，我们需要对数据进行整理和清洗，删除缺失值和重复值以保证数据的完整性。 3. 数据筛选 将数据整理好后，可以对DataFrame数据表进行筛选。通常情况下，我们可以使用Pandas的布尔索引功能对数据进行筛选。布尔索引是以布尔运算为条件的索引方式，以创建一个筛选器数组来选择DataFrame对象中的特定行、列等。 4. 数据可视化 最后一个步骤是将筛选出来的数据进行可视化展示，可以使用Python中的matplotlib或seaborn等库进行数据可视化。 总之，Python的Pandas在Excel数据处理方面具有很大的优势和便利，可以快速地对数据进行筛选、分析和可视化等操作。以上是Pandas筛选Excel数据的一般步骤，具体还需根据实际场景来设计和实现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值