在本文中，我们将介绍在Python中过滤pandas数据帧的各种方法。 数据过滤是最常见的数据操作操作之一。 它类似于SQL中的WHERE子句，或者必须在MS Excel中使用过滤器根据某些条件选择特定行。 就速度而言，python执行过滤和聚合更佳。 它有很棒的库：pandas。 Pandas是在numpy包之上构建的，它是用C语言编写的，这是一种低级语言。 因此，使用pandas包进行数据操作是处理大型数据集的快速而智能的方法。
数据过滤的示例
它是预测建模或任何报告项目的数据准备的最初步骤之一。 它也被称为“子集数据”。 请参阅下面的一些数据过滤示例。
- 选择在2019年1月1日之后开立帐户的所有活跃客户
- 提取过去6个月内进行超过3笔交易的所有客户的详细信息
- 获取在组织中工作超过3年且在过去两年中获得最高评级的员工的信息
- 分析投诉数据并确定在过去1年内提交超过5个投诉的客户
- 提取人均收入超过40K美元的地铁城市的详细信息
导入数据
我们将使用包含2013年从纽约出发的航班详情的数据集。该数据集有32735行和16列。下载 https://itbooks.pipipan.com/fs/18113597-393403297。
表头如下：
['year', 'month', 'day', 'dep_time', 'dep_delay', 'arr_time', 'arr_delay', 'carrier', 'tailnum', 'flight', 'origin', 'dest', 'air_time', 'distance', 'hour', 'minute']导入数据
import pandas as pd
df = pd.read_csv("nycflights.csv")使用列值过滤
选择JetBlue Airways航班详细信息，其中包含2个字母的运营商代码B6 ，起源于JFK机场。
- 方法1：DataFrame方式
>>> newdf = df[(df.origin == "JFK") & (df.carrier == "B6")]
>>> newdf.head()
year month day dep_time dep_delay arr_time arr_delay carrier tailnum flight origin dest air_time distance hour minute
7 2013 8 13 1920 85.0 2032 71.0 B6 N284JB 1407 JFK IAD 48.0 228.0 19.0 20.0
10 2013 6 17 940 5.0 1050 -4.0 B6 N351JB 20 JFK ROC 50.0 264.0 9.0 40.0
14 2013 10 21 1217 -4.0 1322 -6.0 B6 N192JB 34 JFK BTV 46.0 266.0 12.0 17.0
23 2013 7 7 2310 105.0 201 127.0 B6 N506JB 97 JFK DEN 223.0 1626.0 23.0 10.0
35 2013 4 12 840 20.0 1240 28.0 B6 N655JB 403 JFK SJU 186.0 1598.0 8.0 40.0
这部分代码(df.origin == "JFK") & (df.carrier == "B6")返回True / False。 条件匹配时为真，条件不匹配时为假。 稍后它在df内传递并返回与True对应的所有行。 它返回4166行。
- 方法2：查询函数
在pandas包中，有多种方法可以执行过滤。 上面的代码也可以像下面显示的代码一样编写。 此方法更优雅，更易读，每次指定列（变量）时都不需要提及数据框名称。
>>> newdf = df.query('origin == "JFK" & carrier == "B6"')
- 方法3：loc函数
loc是位置术语的缩写。 所有这三种方法都返回相同的输出。 这只是一种不同的过滤行的方法。
>>> newdf = df.loc[(df.origin == "JFK") & (df.carrier == "B6")]
按行和列位置过滤Pandas数据帧
假设您想按位置选择特定的行（假设从第二行到第五行）。 我们可以使用df.iloc[ ]函数。
python中的索引从零开始。 df.iloc [0：5，]指第一至第五行（此处不包括终点第6行）。 df.iloc [0：5，]相当于df.iloc [：5，]
df.iloc[:5,] #First 5 rows
df.iloc[1:5,] #Second to Fifth row
df.iloc[5,0] #Sixth row and 1st column
df.iloc[1:5,0] #Second to Fifth row, first column
df.iloc[1:5,:5] #Second to Fifth row, first 5 columns
df.iloc[2:7,1:3] #Third to Seventh row, 2nd and 3rd columnloc根据索引标签考虑行。 而iloc根据索引中的位置考虑行，因此它只需要整数。 让我们创建一个示例数据进行说明
>>> x
col1
9 1
8 3
7 5
6 7
0 9
1 11
2 13
3 15
4 17
5 19
>>> x.iloc[0:5]
col1
9 1
8 3
7 5
6 7
0 9
>>> x.loc[0:5]
col1
0 9
1 11
2 13
3 15
4 17
5 19
参考资料
- python测试开发项目实战-目录
- python工具书籍下载-持续更新
- python 3.7极速入门教程 - 目录
- 原文地址
- 本文涉及的python测试开发库 谢谢点赞！
- [本文相关海量书籍下载](https://github.com/china-testing/python-api-tesing/blob/master/books.md
- https://www.listendata.com/2019/06/pandas-drop-columns-from-dataframe.html
按行位置和列名称过滤pandas数据帧
>>> df.loc[df.index[0:5],["origin","dest"]]
origin dest
0 JFK LAX
1 JFK SJU
2 JFK LAX
3 JFK TPA
4 LGA ORF
# - 讨论qq群630011153 144081101列中选择多个值
>>> newdf = df[df.origin.isin(["JFK", "LGA"])]不等于
>>> newdf = df.loc[(df.origin != "JFK") & (df.carrier == "B6")]
>>> pd.unique(newdf.origin)
array(['LGA', 'EWR'], dtype=object)
如何否定整个条件
>>> newdf = df[~((df.origin == "JFK") & (df.carrier == "B6"))]
选择非缺失数据
>>> newdf = df[~((df.origin == "JFK") & (df.carrier == "B6"))]
过滤Pandas Dataframe中的字符串
>>> df = pd.DataFrame({"var1": ["AA_2", "B_1", "C_2", "A_2"]})
>>> df
var1
0 AA_2
1 B_1
2 C_2
3 A_2
>>> df[df['var1'].str[0] == 'A']
var1
0 AA_2
3 A_2
>>> df[df['var1'].str.len()>3]
var1
0 AA_2
>>> df[df['var1'].str.contains('A|B')]
var1
0 AA_2
1 B_1
3 A_2
