【Python】pandas 筛选数据的 8 个骚操作

肝了一个月的pandas进阶小册子出炉了👉「pandas进阶宝典」

日常用Python做数据分析最常用到的就是查询筛选了，按各种条件、各种维度以及组合挑出我们想要的数据，以方便我们分析挖掘。

东哥总结了日常查询和筛选常用的种骚操作，供各位学习参考。本文采用sklearn的boston数据举例介绍。

from sklearn import datasets
import pandas as pd

boston = datasets.load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
6b57719a915cc9235850edbd5aa98374.png

1. []

第一种是最快捷方便的，直接在dataframe的[]中写筛选的条件或者组合条件。比如下面，想要筛选出大于NOX这变量平均值的所有数据，然后按NOX降序排序。

df[df['NOX']>df['NOX'].mean()].sort_values(by='NOX',ascending=False).head()
d97c50783879efb5f013488a0a2192ac.png

当然，也可以使用组合条件，条件之间使用逻辑符号& |等。比如下面这个例子除了上面条件外再加上且条件CHAS为1，注意逻辑符号分开的条件要用()隔开。

df[(df['NOX']>df['NOX'].mean())& (df['CHAS'] ==1)].sort_values(by='NOX',ascending=False).head()
2ad8f2c594d90a70d42243b341690c74.png

2. loc/iloc

除[]之外，loc/iloc应该是最常用的两种查询方法了。loc按标签值（列名和行索引取值）访问，iloc按数字索引访问，均支持单值访问或切片查询。除了可以像[]按条件筛选数据以外，loc还可以指定返回的列变量，从行和列两个维度筛选。

比如下面这个例子，按条件筛选出数据，并筛选出指定变量，然后赋值。

df.loc[(df['NOX']>df['NOX'].mean()),['CHAS']] = 2
ce48d1c7a059b4d8d2cd333674b8d624.png

3. isin

上面我们筛选条件< > == !=都是个范围，但很多时候是需要锁定某些具体的值的，这时候就需要isin了。比如我们要限定NOX取值只能为0.538,0.713,0.437中时。

df.loc[df['NOX'].isin([0.538,0.713,0.437]),:].sample(5)
34641bec2b65639403d53c39edb197c1.png

当然，也可以做取反操作，在筛选条件前加~符号即可。

df.loc[~df['NOX'].isin([0.538,0.713,0.437]),:].sample(5)
cd29ed1def32f7eec703edfea14747ac.png

4. str.contains

上面的举例都是数值大小比较的筛选条件，除数值以外当然也有字符串的查询需求。pandas里实现字符串的模糊筛选，可以用.str.contains()来实现，有点像在SQL语句里用的是like。

下面利用titanic的数据举例，筛选出人名中包含Mrs或者Lily的数据，|或逻辑符号在引号内。

train.loc[train['Name'].str.contains('Mrs|Lily'),:].head()
a151ebf875889072935b40cfcdce1978.png

.str.contains()中还可以设置正则化筛选逻辑。

  • case=True：使用case指定区分大小写

  • na=True：就表示把有NAN的转换为布尔值True

  • flags=re.IGNORECASE：标志传递到re模块，例如re.IGNORECASE

  • regex=True：regex ：如果为True，则假定第一个字符串是正则表达式，否则还是字符串

5. where/mask

在SQL里，我们知道where的功能是要把满足条件的筛选出来。pandas中where也是筛选，但用法稍有不同。

where接受的条件需要是布尔类型的，如果不满足匹配条件，就被赋值为默认的NaN或其他指定值。举例如下，将Sex为male当作筛选条件，cond就是一列布尔型的Series，非male的值就都被赋值为默认的NaN空值了。

cond = train['Sex'] == 'male'
train['Sex'].where(cond, inplace=True)
train.head()
5d3ae010d3cefdefb7aa3e3229e2e319.png

也可以用other赋给指定值。

cond = train['Sex'] == 'male'
train['Sex'].where(cond, other='FEMALE', inplace=True)
c737723947aedd3bdfc29ef3794930e8.png

甚至还可以写组合条件。

train['quality'] = ''
traincond1 = train['Sex'] == 'male'
cond2 = train['Age'] > 25

train['quality'].where(cond1 & cond2, other='低质量男性', inplace=True)
ec24cf573be3d93223a84763c78fa64d.png

mask和where是一对操作，与where正好反过来。

train['quality'].mask(cond1 & cond2, other='低质量男性', inplace=True)
edadbec6c055b734adf552cc88abf2ff.png

6. query

这是一种非常优雅的筛选数据方式。所有的筛选操作都在''之内完成。

# 常用方式
train[train.Age > 25]
# query方式
train.query('Age > 25')

上面的两种方式效果上是一样的。再比如复杂点的，加入上面的str.contains用法的组合条件，注意条件里有''时，两边要用""包住。

train.query("Name.str.contains('William') & Age > 25")
3badd56b61bfb8f85e590a47eeb4e979.png

在query里还可以通过@来设定变量。

name = 'William'
train.query("Name.str.contains(@name)")

7. filter

filter是另外一个独特的筛选功能。filter不筛选具体数据，而是筛选特定的行或列。它支持三种筛选方式：

  • items：固定列名

  • regex：正则表达式

  • like：以及模糊查询

  • axis：控制是行index或列columns的查询

下面举例介绍下。

train.filter(items=['Age', 'Sex'])
e07a42d0144466aee0ec9f313a8f44ff.png 
train.filter(regex='S', axis=1) # 列名包含S的
a4f5da019a6ef3dca2550f7f33e50efd.png 
train.filter(like='2', axis=0) # 索引中有2的
4d4d1c6450aac0c257f98bc093867c71.png 
train.filter(regex='^2', axis=0).filter(like='S', axis=1)
160fd48f7c8f6b5117b5f0f3d9b79e3b.png

8. any/all

any方法意思是，如果至少有一个值为True结果便为True，all需要所有值为True结果才为True，比如下面这样。

>> train['Cabin'].all()
>> False
>> train['Cabin'].any()
>> True

any和all一般是需要和其它操作配合使用的，比如查看每列的空值情况。

train.isnull().any(axis=0)
d99c0903f484d0505902cd3f49cbb254.png

再比如查看含有空值的行数。

>>> train.isnull().any(axis=1).sum()
>>> 708

参考：

[1] https://pandas.pydata.org/

[2] https://www.gairuo.com/p/pandas-selecting-data

[3] https://blog.csdn.net/weixin_43484764/article/details/89847241

 
 
dfc25e366d52972946da39ad2f503582.jpeg
 
 
 
 
 
 
 
 
 
 
往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码