在pandas中怎麼樣實現類似mysql查找語句的功能：
<code>select * from table where column_name = some_value;/<code>
pandas中獲取數據的有以下幾種方法：
- 布爾索引
- 位置索引
- 標籤索引
- 使用API
假設數據如下:
<code>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})/<code>
布爾索引
該方法其實就是找出每一行中符合條件的真值(true value)，如找出列A中所有值等於foo
<code>df[df['A'] == 'foo'] # 判斷等式是否成立/<code>
位置索引
使用iloc方法，根據索引的位置來查找數據的。這個例子需要先找出符合條件的行所在位置
<code>mask = df['A'] == 'foo'
pos = np.flatnonzero(mask) # 返回的是array([0, 2, 4, 6, 7])
df.iloc[pos]
#常見的iloc用法
df.iloc[:3,1:3]/<code>
標籤索引
如何DataFrame的行列都是有標籤的，那麼使用loc方法就非常合適了。
<code>df.set_index('A', append=True, drop=False).xs('foo', level=1) # xs方法適用於多重索引DataFrame的數據篩選
# 更直觀點的做法
df.index=df['A'] # 將A列作為DataFrame的行索引
df.loc['foo', :]
# 使用布爾
df.loc[df['A']=='foo']/<code>
使用API
pd.DataFrame.query方法在數據量大的時候，效率比常規的方法更高效。
<code>df.query('A=="foo"')
# 多條件
df.query('A=="foo" | A=="bar"')/<code>
數據提取不止前面提到的情況，第一個答案就給出了以下幾種常見情況：1、篩選出列值等於標量的行，用==
<code>df.loc[df['column_name'] == some_value]/<code>
2、篩選出列值屬於某個範圍內的行，用isin
<code>df.loc[df['column_name'].isin(some_values)] # some_values是可迭代對象/<code>
3、多種條件限制時使用&，&的優先級高於>=或<=，所以要注意括號的使用
<code>df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]/<code>
4、篩選出列值不等於某個/些值的行
<code>df.loc[df['column_name'] != 'some_value']
df.loc[~df['column_name'].isin('some_values')] #~取反/<code>
分享到:
閱讀更多 Python集結號 的文章
