在pandas中怎么样实现类似mysql查找语句的功能：

select * from table where column_name = some_value;

pandas中获取数据的有以下几种方法：SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

布尔索引

位置索引

标签索引

使用API

假设数据如下:

import pandas as pd

import numpy as np

df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),

'B': 'one one two three two two one three'.split(),

'C': np.arange(8), 'D': np.arange(8) * 2})

布尔索引

该方法其实就是找出每一行中符合条件的真值(true value)，如找出列A中所有值等于foo

df[df['A'] == 'foo'] # 判断等式是否成立

位置索引

使用iloc方法，根据索引的位置来查找数据的。这个例子需要先找出符合条件的行所在位置

mask = df['A'] == 'foo'

pos = np.flatnonzero(mask) # 返回的是array([0, 2, 4, 6, 7])

df.iloc[pos]

#常见的iloc用法

df.iloc[:3,1:3]

标签索引

如何DataFrame的行列都是有标签的，那么使用loc方法就非常合适了。

df.set_index('A', append=True, drop=False).xs('foo', level=1) # xs方法适用于多重索引DataFrame的数据筛选

# 更直观点的做法

df.index=df['A'] # 将A列作为DataFrame的行索引

df.loc['foo', :]

# 使用布尔

df.loc[df['A']=='foo']

使用API

pd.DataFrame.query方法在数据量大的时候，效率比常规的方法更高效。

df.query('A=="foo"')

# 多条件

df.query('A=="foo" | A=="bar"')

数据提取不止前面提到的情况，第一个答案就给出了以下几种常见情况：

1、筛选出列值等于标量的行，用==

df.loc[df['column_name'] == some_value]

2、筛选出列值属于某个范围内的行，用isin

df.loc[df['column_name'].isin(some_values)] # some_values是可迭代对象

3、多种条件限制时使用&，&的优先级高于>=或<=，所以要注意括号的使用

df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]

4、筛选出列值不等于某个/些值的行

df.loc[df['column_name'] != 'some_value']

df.loc[~df['column_name'].isin('some_values')] #~取反

如果你觉得我的文章还可以，可以关注我的微信公众号，查看更多实战文章：Python爬虫实战之路

也可以扫描下面二维码，添加我的微信公众号

扫码关注我们

微信号：SRE实战

拒绝背锅 运筹帷幄

×

选择打赏方式：

微信

QQ钱包

支付宝

打赏

打赏

打赏

多少都是心意！谢谢大家！！！

×

选择分享方式：

微信扫一扫，分享朋友圈

Or

手机扫一扫，精彩随身带

pandas主要的两个数据结构是：series(相当于一行或一列数据机构)和DataFrame(相当于多行多列的一个表格数据机构)。

本文为了方便理解会与excel或者sql操作行或列来进行联想类比

1.重新索引：reindex和ix

上一篇中介绍过数据读取后默认的行索引是0,1，2,3...这样的顺序号。列索引相当于字段名(即第一行数据)，这里重新索引意思就是可以将默认的索引重新修改成自己想要的样子。

1.1 Series

比方说：data=Series([4,5,6],index=['a','b','c'])，行索引为a,b,c。

我们用data.reindex(['a','c','d','e'])修改索引后则输出：

可以理解成我们用reindex设了索引后，根据索引去原来data里面匹配对应的值，没匹配上的就是NaN。

1.2 DataFrame

(1)行索引修改：DataFrame行索引同Series

(2)列索引修改：列索引用reindex(columns=['m1','m2','m3']),用参数columns来指定对列索引进行修改。修改逻辑类似行索引，也是相当于用新列索引去匹配原来的数据，没匹配上的置NaN

例：

(3)同时对行和列索引进行修改可以用

2.丢弃指定轴上的列(通俗的说法就是删除行或者列):drop

通过索引进行选择删除哪一行或者哪一列

data.drop(['a','c']) 相当于delete table a where xid='a' or xid='c'

data.drop('m1',axis=1)相当于delete table a where yid='m1'

3.选取和过滤(通俗的说就是sql中按照条件筛选查询)

python中因为有行列索引，在做数据的筛选会比较方便

3.1 Series

(1)按照行索引进行选择如

obj['b']相当于select * from tb where xid='b'obj['b','a','c']相当于select * from tb where xid in ('a','b','c')，且结果按照b ,a ,c 的顺序排列后进行展示，这是与sql的区别obj[0:1]和obj['a':'b']的区别如下：

#前者是不包含末端，后者是包含了末端

(2)按照值的大小进行筛选obj[obj>-0.6]相当于在obj数据中找出值比-0.6大的记录进行展示

3.2 DataFrame

(1)选择单行用ix或者xs：

如筛选索引为b的那条行记录用以下三种方式

(2)选择多行:

筛选索引为a,b的两条行记录的方式

#以上不能直接写成data[['a','b']]

data[0:2]表示从第一行到第二行的记录。第一行默认从0开始数，不包含末端的2。

(3)选择单列

筛选m1列的所有行记录数据

(4)选择多列

筛选m1,m3两个列，所有行记录的数据

ix[:,['m1','m2']]前面的：表示所有的行都筛选进来。

(5)根据值的大小条件筛选行或者列

如筛选出某一列值大于4的所有记录相当于select * from tb where 列名>4

(6)如果筛选某列值大于4的所有记录，且只需展示部分列的情况时

行用条件进行筛选，列用[0,2]筛选第一列和第三列的数据

总结

以上所述是小编给大家介绍的pandas数据处理基础之筛选指定行或者指定列的数据，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！

在pandas中怎么样实现类似mysql查找语句的功能：

select * from table where column_name = some_value;

pandas中获取数据的有以下几种方法：

布尔索引

位置索引

标签索引

使用API

假设数据如下:

import pandas as pd

import numpy as np

df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),

'B': 'one one two three two two one three'.split(),

'C': np.arange(8), 'D': np.arange(8) * 2})

布尔索引

该方法其实就是找出每一行中符合条件的真值(true value)，如找出列A中所有值等于foo

df[df['A'] == 'foo'] # 判断等式是否成立

位置索引

使用iloc方法，根据索引的位置来查找数据的。这个例子需要先找出符合条件的行所在位置

mask = df['A'] == 'foo'

pos = np.flatnonzero(mask) # 返回的是array([0, 2, 4, 6, 7])

df.iloc[pos]

#常见的iloc用法