目录

前言

一、按列表索引查询

查询单值

 1.at(单值查询-loc)

  2.iat(单值查询-iloc)

3. loc(行/列名索引查询)

 4. iloc(行/列索引查询)

二、按条件查询

单条件查询

多条件查询

嵌套筛选

总结

---

前言

关于一文速学Pandas系列已经将基础部分内容更完，基础部分的内容完全可以满足大部分数据分析应用场景且绝对够用。对于分析工具最快速上手的方法还是创造条件去实际运用它，反复运用直至能够熟练想到该使用何种方法去实现该功能需求。

Pandas数据分析系列专栏已经更新了很久了，基本覆盖到使用pandas处理日常业务以及常规的数据分析方方面面的问题。从基础的数据结构逐步入门到处理各类数据以及专业的pandas常用函数讲解都花费了大量时间和心思创作，如果大家有需要从事数据分析或者大数据开发的朋友推荐订阅专栏，将在第一时间学习到Pandas数据分析最实用常用的知识。此篇博客篇幅较长，涉及到数据可视化等各类操作，值得细读实践一番，我会将Pandas的精华部分挑出细讲实践。博主会长期维护博文，有错误或者疑惑可以在评论区指出，感谢大家的支持。

有些Pandas的基本常用功能我会再进行进一步的细讲以及一些高阶操作和用法，在之前学习基础之上更加易于理解和掌握，也起到了完整知识链的补全作用。之前在讲数据筛选查询可能讲的不是足够细致，一些高阶用法还没有展示，现在补全。

---

一、按列表索引查询

查询单值

按照索引位置查询一个DataFrame中对应位置的元素共有四个API函数可以使用，我们首先来看看如何用。先创建一个DataFrame：

data={
    'name':['user1','user2','user3','user'],
    'city':['北京','深圳','上海','杭州'],
    'territory':['大数据','数据分析','数据分析','spark']
}
index=['id1','id2','id3','id4']
df=pd.DataFrame(data,index=index)
df

 

 1.at(单值查询-loc)

访问行/列标签对的单个值。
与loc类似，两者都提供基于标签的查找。如果只需要在DataFrame或Series中获取或设置单个值，使用at最为便捷。

df.at['id3','city']

 

 也可以快速修改对应值：

df.at['id3','city']='江苏'
df

 

  2.iat(单值查询-iloc)

按整数位置访问行/列对的单个值。
与iloc类似，两者都提供基于整数的查找。如果只需要在DataFrame或Series中获取或设置单个值，使用iat最为便捷。
 

df.iat[0,2]

 

 当然修改单值也是一样的：

df.iat[0,2]='小数据'
df

 

3. loc(行/列名索引查询)

loc可太常用了，我更喜欢用iloc。通过标签或布尔数组访问一组行和列。.loc[]主要基于标签，但也可以与布尔数组一起使用。
允许的输入包括：

1. 单个标签，例如5或“A”（注意，5被解释为索引的标签，而不是索引中的整数位置）。
2. 标签的列表或数组，例如[‘A’、‘b’、‘c’]。
3. 带有标签的切片对象，例如“A”：“f”。
4. 与被切片的轴长度相同的布尔数组，例如[True，False，True]。
5. 可对齐的布尔级数。键的索引将在屏蔽之前对齐。
6. 可对齐的索引。返回选择的索引将作为输入。
7. 一个带有一个参数（调用Series或DataFrame）的可调用函数，该函数返回有效的索引输出（上述之一）

1.单个标签

df.loc['id1','city']

 

2. 标签的列表或数组

df.loc[['id1','id2'],:]

 

 3.带有标签的切片对象

df.loc['id1':'id2',:]

 4.与被切片的轴长度相同的布尔数组

df.loc[[True,False,True,False],:]

 

等下面将到条件查询会更加细致的讲解。

 4. iloc(行/列索引查询)

iloc在工程是由于是可以根据对应数字来访问索引的，故可以用作很多复杂查询聚合里面。

纯整数基于位置的索引，用于按位置进行选择。.iloc[]主要基于整数位置（从0到轴的长度-1），但也可以与布尔数组一起使用。
允许的输入包括：

1. 整数，例如5。
2. 整数的列表或数组，例如[4，3，0]。
3. 带有整数的切片对象，例如1:7。
4. 布尔数组。
5. 一个带有一个参数（调用Series或DataFrame）的可调用函数，该函数返回有效的索引输出（上述之一）。当您没有对调用对象的引用，但希望基于某个值进行选择时，这在方法链中非常有用。
6. 行和列索引的元组。元组元素由上述输入之一组成，例如（0，1）。

1.索引值

df.iloc[1,1]

 

 2.整数的列表或数组

df.iloc[[0,1],1]

 

 3.带有整数的切片对象

df.iloc[0:1,0:2]

 

 等下面将到条件查询会更加细致的讲解。

二、按条件查询

若是没有复杂查询的话，dataframe支持直接嵌套Ture，False矩阵来实现查询：

单条件查询

例如查询城市为北京的数据：

df[df.city=='北京']

df.loc[df.city=='北京']

df.loc[lambda df: df['city'] == '北京']

多条件查询

查询领域为数据分析且城市在上海的：

df[(df.territory=='数据分析')&(df.city=='上海')]

 

df.loc[(df.territory=='数据分析')&(df.city=='上海')]

 

df.loc[lambda df:(df.territory=='数据分析')&(df.city=='上海')]

 

嵌套筛选

主要通过iloc和lambda实现。

比如我只想要奇数列的数据：

df.iloc[:,[(i-1)%2==1 for i in range(1,len(df.columns)+1)]]

 或者可以编写一个函数实现想要的功能：

def find_data(df):
    return df['city']=='北京'
df.loc[find_data]

 

---