在布尔索引中，我们将根据 DataFrame 中数据的实际值而不是它们的行/列标签或整数位置来选择数据子集。在布尔索引中，我们使用布尔向量来过滤数据。
布尔索引是一种使用 DataFrame 中数据的实际值的索引。在布尔索引中，我们可以通过四种方式过滤数据：
- 使用布尔索引访问 DataFrame
- 将布尔掩码应用于数据帧
- 根据列值屏蔽数据
- 根据索引值屏蔽数据
使用布尔索引访问 DataFrame：
为了访问具有布尔索引的数据帧，我们必须创建一个数据帧，其中数据帧的索引包含一个布尔值，即“真”或“假”。
例子
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} df = pd.DataFrame(dict, index = [True, False, True, False]) print(df)
输出：
现在我们已经创建了一个带有布尔索引的数据框，之后用户可以在布尔索引的帮助下访问数据框。用户可以使用 .loc[]、.iloc[]、.ix[] 三个函数访问数据帧
使用.loc[]访问具有布尔索引的数据框
为了使用 .loc[] 访问具有布尔索引的数据帧，我们只需在 .loc[] 函数中传递一个布尔值（True 或 False）。
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} # 使用布尔索引创建数据框 df = pd.DataFrame(dict, index = [True, False, True, False]) # 使用 .loc[] 函数访问数据框 print(df.loc[True])
输出：
使用.iloc[]访问具有布尔索引的数据框
为了使用 .iloc[] 访问数据帧，我们必须传递一个布尔值（True 或 False），但 iloc[] 函数只接受整数作为参数，因此它会抛出错误，因此我们只能在我们访问数据帧时访问在 iloc[] 函数中传递一个整数
代码#1：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} # 使用布尔索引创建数据框 df = pd.DataFrame(dict, index = [True, False, True, False]) # 使用 .iloc[] 函数访问数据帧 print(df.iloc[True])
输出：
TypeError
代码#2：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} # 使用布尔索引创建数据框 df = pd.DataFrame(dict, index = [True, False, True, False]) # 使用 .iloc[] 函数访问数据帧 print(df.iloc[1])
输出：
使用.ix[]访问具有布尔索引的数据框
为了使用 .ix[] 访问数据帧，我们必须将布尔值（True 或 False）和整数值传递给 .ix[] 函数，因为我们知道 .ix[] 函数是 .loc[] 的混合体和 .iloc[] 函数。
代码#1：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} # 使用布尔索引创建数据框 df = pd.DataFrame(dict, index = [True, False, True, False]) # 使用 .ix[] 函数访问数据帧 print(df.ix[True])
输出：
代码#2：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} # 使用布尔索引创建数据框 df = pd.DataFrame(dict, index = [True, False, True, False]) # 使用 .ix[] 函数访问数据帧 print(df.ix[1])
输出：
将布尔掩码应用于数据框：
在数据框中，我们可以应用布尔掩码。为此，我们可以使用 getitems 或 [] 访问器。我们可以通过给出与数据帧中包含的长度相同的 True 和 False 列表来应用布尔掩码。当我们应用布尔掩码时，它将仅打印我们传递布尔值 True 的数据帧。
代码#1：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["MBA", "BCA", "M.Tech", "MBA"], 'score':[90, 40, 80, 98]} df = pd.DataFrame(dict, index = [0, 1, 2, 3]) print(df[[True, False, True, False]])
输出：
代码#2： \
# importing pandas package import pandas as pd # 从csv文件制作数据框 data = pd.read_csv("nba1.1.csv") df = pd.DataFrame(data, index = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]) print(df[[True, False, True, False, True, False, True, False, True, False, True, False, True]])
输出：
根据列值屏蔽数据：
在数据框中，我们可以根据列值过滤数据。为了过滤数据，我们可以使用不同的运算符对数据框应用某些条件，例如 ==、>、<、<=、>=。当我们将这些运算符应用于数据帧时，它会产生一系列真假。
代码#1：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["BCA", "BCA", "M.Tech", "BCA"], 'score':[90, 40, 80, 98]} # 创建数据框 df = pd.DataFrame(dict) # 使用比较运算符过滤数据 print(df['degree'] == 'BCA')
输出：
代码#2：
# importing pandas package import pandas as pd # 从csv文件制作数据框 data = pd.read_csv("nba.csv", index_col ="Name") # 使用大于运算符过滤数据 print(data['Age'] > 25)
输出：
根据索引值屏蔽数据：
在数据框中，我们可以根据列值过滤数据。为了过滤数据，我们可以使用 ==、>、< 等不同的运算符根据索引值创建掩码。
代码#1：
# importing pandas as pd import pandas as pd # 列表字典 dict = {'name':["aparna", "pankaj", "sudhir", "Geeku"], 'degree': ["BCA", "BCA", "M.Tech", "BCA"], 'score':[90, 40, 80, 98]} df = pd.DataFrame(dict, index = [0, 1, 2, 3]) mask = df.index == 0 print(df[mask])
输出：
代码#2：
输出：
