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']== 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)]
data_many1=df[(df['列名']== 19920812)|(df['date']==19920811)]
多值匹配时
data_many2=df[df['列名'].isin([19920807,19920814]) ]
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']
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_夜月xl的博客-CSDN博客_df.shape Pandas之容易让人混淆的行选择和列选择 – kylinlin – 博客园
- pandas.DataFrame.drop — pandas 1.4.1 documentation
- pandas apply() 函数用法_stone0823的博客-CSDN博客_pandas.apply
- pandas.Series.apply — pandas 1.4.1 documentation
Original: https://blog.csdn.net/weixin_42322206/article/details/123607271
Author: 王同学加油
Title: pandas实现筛选功能方式
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/737877/
转载文章受原作者版权保护。转载请注明原作者出处！