python使用pandas实现筛选功能方式

目录

• 1 筛选出数据的指定几行数据
• 2 筛选出数据某列为某值的所有数据记录
• 3 模式匹配
• 4 范围区间值筛选
• 5 获取某一行某一列的某个值
• 6 获取原始的numpy二维数组
• 7 根据条件得到某行元素所在的位置
• 8 元素位置筛选
• 9. 删除多行/多列
• 10 to_datetime将字符串格式转化为日期格式
• 11 apply() 函数
• 12 map() 函数
• 参考
• 总结

1 筛选出数据的指定几行数据

data=df.loc[2:5]
#这里的[2:5]表示第3行到第5行内容，[]第一个起始是0，表示数据的第一行

2 筛选出数据某列为某值的所有数据记录

data = df[(df['列名1']== ‘列值1')]
# 多条件匹配时
data_many=df[(df['列名1']== ‘列值1')&(df['列名2']==‘列值2')]
# 多值匹配时
data_many=df[df['列名1'] in [‘值1'，‘值2'，......]]

3 模式匹配

# 开头包含某值的模式匹配
cond=df['列名'].str.startswith('值')
$ 中间包含某值的模式匹配
cond=df['列名'].str.contains('值')

4 范围区间值筛选

# 筛选出基于两个值之间的数据：
cond=df[(df['列名1']>‘列值1')&(df['列名1']<‘列值2')]

5 获取某一行某一列的某个值

print(ridership_df.loc['05-05-11','R003'])
# 或者
print(ridership_df.iloc[4,0])

# 结果:
1608

6 获取原始的numpy二维数组

print(df.values)

7 根据条件得到某行元素所在的位置

import pandas as pd

df = pd.DataFrame({'BoolCol': [1, 2, 3, 3, 4],'attr': [22, 33, 22, 44, 66]},index=[10,20,30,40,50])
print(df)
a = df[(df.BoolCol==3)&(df.attr==22)].index.tolist()
b = df[(df.BoolCol==3)&(df.attr==22)].index[0]
c = df[(df.BoolCol==3)&(df.attr==22)].index.values
print(a)

8 元素位置筛选

print(date_frame)                # 打印完整显示的效果
print(date_frame.shape)            # 获取df的行数、列数元祖
print(date_frame.head(2))        # 前2行
print(date_frame.tail(2))        # 后2行

print(date_frame.index.tolist())        # 只获取df的索引列表
print(date_frame.columns.tolist())        # 只获取df的列名列表
print(date_frame.values.tolist())        # 只获取df的所有值的列表（二维列表）

9. 删除多行/多列

# 使用的前提是，dataframe的index和columns用的是数字，利用了drop（）和range()函数。

DataFrame.drop(labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')

# axis = 0，表示删除行； axis = 1 表示删除列。

# 想删除多行/列，用range即可，比如要删除前3行，drop(range(0,3)，axis = 0(默认为零，可不写))即可。

10 to_datetime将字符串格式转化为日期格式

import datetime
import pandas as pd

dictDate = {'date': ['2019-11-01 19:30', '2019-11-30 19:00']}
df = pd.DataFrame(dictDate)
df['datetime'] = pd.to_datetime(df['date'])
df['today'] = df['datetime'].apply(lambda x: x.strftime('%Y%m%d'))
df['tomorrow'] = (df['datetime'] + datetime.timedelta(days=1)).dt.strftime('%Y%m%d')

11 apply() 函数

# pandas 的 apply() 函数可以作用于 Series 或者整个 DataFrame，功能也是自动遍历整个 Series 或者 DataFrame, 对每一个元素运行指定的函数。
def add_extra(nationality, extra):
    if nationality != "汉":
        return extra
    else:
        return 0

df['ExtraScore'] = df.Nationality.apply(add_extra, args=(5,))
df['ExtraScore'] = df.Nationality.apply(add_extra, extra=5)
df['Extra'] = df.Nationality.apply(lambda n, extra : extra if n == '汉' else 0, args=(5,))

def add_extra2(nationaltiy, **kwargs):
    return kwargs[nationaltiy]

df['Extra'] = df.Nationality.apply(add_extra2, 汉=0, 回=10, 藏=5)

12 map() 函数

import datetime
import pandas as pd
def f(x):
    x = str(x)[:8]
    if x !='n':
        gf = datetime.datetime.strptime(x, "%Y%m%d")
        x = gf.strftime("%Y-%m-%d")
    return x

def f2(x):
    if str(x) not in [' ', 'nan']:
        dd = datetime.datetime.strptime(str(x), "%Y/%m/%d")
        x = dd.strftime("%Y-%m-%d")
    return x  

def test():
    df = pd.DataFrame()
    df1 = pd.read_csv("600694_gf.csv")
    df2=pd.read_csv("600694.csv")
    df['date1'] =df2['DateTime'].map(f2)
    df['date2'] =df1['date'].map(f)
    df.to_csv('map.csv')

参考

• Pandas之DataFrame操作
• pandas.DataFrame.drop — pandas 1.4.1 documentation
• pandas apply() 函数用法
• pandas.Series.apply — pandas 1.4.1 documentation

总结

到此这篇关于python使用pandas实现筛选功能方式的文章就介绍到这了,更多相关pandas筛选功能内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！