在pandas中怎麼樣實現類似mysql查找語句的功能： pandas中獲取數據的有以下幾種方法： 布爾索引 位置索引 標簽索引 使用API 假設數據如下: 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 位置索引 使用iloc方法，根據索引 ...
在pandas中怎麼樣實現類似mysql查找語句的功能：
select * from table where column_name = some_value;pandas中獲取數據的有以下幾種方法：
- 布爾索引
- 位置索引
- 標簽索引
- 使用API
假設數據如下:
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
df[df['A'] == 'foo'] # 判斷等式是否成立
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
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]
標簽索引
如何DataFrame的行列都是有標簽的，那麼使用loc方法就非常合適了。
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']
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。
df.query('A=="foo"')
# 多條件
df.query('A=="foo" | A=="bar"')
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==
df.loc[df['column_name'] == some_value]2、篩選出列值屬於某個範圍內的行，用isin
df.loc[df['column_name'].isin(some_values)] # some_values是可迭代對象3、多種條件限制時使用&，&的優先順序高於>=或<=，所以要註意括弧的使用
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]4、篩選出列值不等於某個/些值的行
df.loc[df['column_name'] != 'some_value']
df.loc[~df['column_name'].isin('some_values')] #~取反如果你覺得我的文章還可以，可以關註我的微信公眾號，查看更多實戰文章：Python爬蟲實戰之路
也可以掃描下麵二維碼，添加我的微信公眾號
