Pandas是一个强大的Python数据分析工具库，它提供了多种方法来筛选和过滤数据。以下是一些常用的筛选数据的方法：
1. 布尔索引：
使用布尔索引是最基础的数据筛选方法。你可以通过比较数据帧(DataFrame)中的每一行或每一列的值与一个特定值，来创建一个布尔型数组，然后使用这个布尔型数组来索引数据帧。使用布尔值来筛选数据。例如，df[df['column_name'] > value] 会返回 column_name 列中大于 value 的所有行的数据。
2. 条件筛选：
除了基础的布尔索引，Pandas还提供了query()方法，让你可以像写SQL一样，用字符串形式来表达复杂的筛选条件。结合 df.query() 方法和使用 pandas.Series 的 loc 或 iloc 方法进行条件筛选。
3. loc和iloc方法：
loc 方法可以基于标签进行行和列的选择，而 iloc 方法可以基于位置进行选择。
4. 布尔数组与mask：
可以使用布尔数组创建一个掩码（mask），然后对数据进行筛选。
5. groupby.filter方法：
使用groupby.filter方法结合lambda函数进行复杂的筛选操作。filter 的函数func经常和匿名函数lambda配合使用，用来筛选groupby之后的数据，它类似 SQL中groupby后的 having 操作。
注意：pandas中的filter函数是不能使用lambda来进行筛选的，你要是直接使用df.filter的话会报错呦：
下面是一个简单的例子，展示了如何使用这些方法，假设有以下一个简单的DataFrame：
import pandas as pd # 创建示例DataFramedf = pd.DataFrame({ 'Age': [25, 30, 35, 40], 'Salary': [40000, 50000, 60000, 70000]})df
# 方法1：使用布尔索引进行筛选filtered_df = df[(df['Age'] > 30)]filtered_df
# 方法2：条件筛选：df1=df.query('Age > 30')df1
# 方法3: loc 和 iloc df2 = df.loc[df.index[df['Age'] > 30], ['Age', 'Salary']] df2
# 方法4: 布尔数组与 mask boolean_array = df['Age'] > 30df3= df[boolean_array] df3
# 方法5: filter 方法 df4=df.groupby('Age').filter(lambda x:x['Age']>30)df4
以上5种方法筛选的同一个结果为：
以上就是一些常用的Pandas数据筛选的5种方法。希望这些技巧能够帮助你更高效地进行数据分析工作。
