快醒醒，别睡了!...讲数据分析pandas库了——＜4＞

见贤思齐

一、废话不多说，直接开讲1、DataFrame的索引和切片1.1 选择列        当想要获取df中某列数据时，只需要在df后面的方括号中指明要选择的列即可。如果是一列，则只需要传入一个列名;如果是同时选择多列，则传入多个列名即可（注意：多个列名用一个list存放）#获取一列df[col]#获取多列df[[col1,col2]]        除了传入具体的列名，我们可以传入具体列的位置，即第几行，对数据进行选取，通过传入位置来获取数据时需要用到iloc方法。即如下代码df.iloc[,[0,2]]1.2 按行列索引选择        DataFrame对象按照行列检索获取，可以使用loc和iloc函数，方括号中逗号之前的部分表示要获取的行的索引，如果输入一个冒号，或不输入任何数值表示获取所有的行或列，逗号之后方括号表示要获取的列的索引。df.loc[普通行索引,普通列索引]df.iloc[位置行索引,位置列索引]1.3 loc与iloc获取看实例：importnumpyasnpimportpandasaspddata=pd.DataFrame(np.arange(12).reshape(3,4),index=list('abc'),columns=list('ABCD'))#获取行为'b'的行data.loc['b']#使用iloc获取，行为'b'的行，行号为1data.iloc[1]其中首先用np生成一个一维数组，用reshape将其转变成3行4列的二维数组，在通过DsteFrame将其装换成类似于二维数组的列表，并更改行索引名为a、b、c，列索引为A、B、C、D，再将这段数组用date来接收，用loc来索引名为b的行，用iloc来索引数值为1的索引行，其打印结果相同，如下：                   • 获取'A'列所有行data.loc[:,'A']data.iloc[:,0]逗号左右分别表示行和列，两行代码运行结果都一样                         • 获取部分行部分列：#获取abc行，AB列data.loc[['a','b','c'],['A','B']]data.iloc[[0,1,2],[0,1]]        上部分为获取行号为a，b，c，列号为A,B的结果，以及行索引值为0，1，2，列索引值为0,1的所对应的值 ，其所对应结果都一样• 获取满足条件的行：df[df[“支出”]>10]df[(df[“支出”]>10)&(df[“性别”]=='女')]df[“支出”]>10为列‘支出’这一列中所对应的数值大于10的行，其返回的是布尔值，再用df将这个布尔值括起来即表示将布尔值为True的行打印出来(df[“支出”]>10)&(df[“性别”]=='女')这段则表示同时满足支出大于10，性别等于女的行。2、isin()选择        • df.isin(values)返回结果为相应的位置是否匹配给出的values        • values为序列时：对应每个具体值        •​​​​​​​ values为字典时：对应各个变量名称        •​​​​​​​ values为数据框时：同时对应数值和变量名称​​​​​​​df.col.isin([1,3,5])df[df.col.isin([1,3,5])]df[df.col.isin(['val1','val2'])]df[df.index.isin(['val1','val2'])]df 是一个DataFrame对象。col 是DataFrame中的一列（Series）。.isin([1,3,5]) 是一个方法，用于判断col 中的元素是否包含在 [1,3,5] 这个列表中。3、query()的使用 使用boolean值表达式进行筛选df.query(expr：语句表达式inplace=False;是否直接替换原数据框)可以使用前缀“@”引用环境变量等号为==，而不是= expr是一个字符串，表示查询条件。查询条件可以使用DataFrame中的列名，并使用关系运算符和逻辑运算符进行比较和组合。importpandasaspd#创建一个示例DataFramedata={'A':[1,2,3,4,5],'B':[6,7,8,9,10],'C':[11,12,13,14,15]}df=pd.DataFrame(data)#使用query函数进行查询result=df.query('A>2')#查询A列大于2的行print(result)result=df.query('A>2andB