日常用
Python
做数据分析最常用到的就是查询筛选了，按各种条件、各种维度以及组合挑出我们想要的数据，以方便我们分析挖掘。
东哥总结了日常查询和筛选常用的种骚操作，供各位学习参考。本文采用
sklearn
的
boston
数据举例介绍。
from sklearn import datasets
import pandas as pd
boston = datasets.load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
1. []
第一种是最快捷方便的，直接在dataframe的
[]
中写筛选的条件或者组合条件。比如下面，想要筛选出大于
NOX
这变量平均值的所有数据，然后按
NOX
降序排序。
df[df['NOX']>df['NOX'].mean()].sort_values(by='NOX',ascending=False).head()
当然，也可以使用组合条件，条件之间使用逻辑符号
& |
等。比如下面这个例子除了上面条件外再加上且条件
CHAS为1
，注意逻辑符号分开的条件要用
()
隔开。
df[(df['NOX']>df['NOX'].mean())& (df['CHAS'] ==1)].sort_values(by='NOX',ascending=False).head()
2. loc/iloc
除
[]
之外，
loc/iloc
应该是最常用的两种查询方法了。
loc
按标签值（列名和行索引取值）访问，
iloc
按数字索引访问，均支持单值访问或切片查询。除了可以像
[]
按条件筛选数据以外，
loc
还可以指定返回的列变量，
从行和列两个维度筛选。
比如下面这个例子，按条件筛选出数据，并筛选出指定变量，然后赋值。
df.loc[(df['NOX']>df['NOX'].mean()),['CHAS']] = 2
3. isin
上面我们筛选条件
< > == !=
都是个范围，但很多时候是需要锁定某些具体的值的，这时候就需要
isin
了。比如我们要限定
NOX
取值只能为
0.538,0.713,0.437
中时。
df.loc[df['NOX'].isin([0.538,0.713,0.437]),:].sample(5)
当然，也可以做取反操作，在筛选条件前加
~
符号即可。
df.loc[~df['NOX'].isin([0.538,0.713,0.437]),:].sample(5)
4. str.contains
上面的举例都是
数值大小比较
的筛选条件，除数值以外当然也有
字符串的查询需求
。
pandas
里实现字符串的模糊筛选，可以用
.str.contains()
来实现，有点像在SQL语句里用的是
like
。
下面利用titanic的数据举例，筛选出人名中包含
Mrs
或者
Lily
的数据，
|
或逻辑符号在引号内。
train.loc[train['Name'].str.contains('Mrs|Lily'),:].head()
.str.contains()
中还可以设置正则化筛选逻辑。
-
case=True：使用case指定区分大小写
-
na=True：就表示把有NAN的转换为布尔值True
-
flags=re.IGNORECASE：标志传递到re模块，例如re.IGNORECASE
-
regex=True：regex ：如果为True，则假定第一个字符串是正则表达式，否则还是字符串
5. where/mask
在SQL里，我们知道
where
的功能是要把满足条件的筛选出来。pandas中
where
也是筛选，但用法稍有不同。
where
接受的条件需要是
布尔类型
的，如果不满足匹配条件，就被赋值为默认的
NaN
或其他指定值。举例如下，将
Sex
为
male
当作筛选条件，
cond
就是一列布尔型的Series，非male的值就都被赋值为默认的
NaN
空值了。
cond = train['Sex'] == 'male'
train['Sex'].where(cond, inplace=True)
train.head()
也可以用
other
赋给指定值。
cond = train['Sex'] == 'male'
train['Sex'].where(cond, other='FEMALE', inplace=True)
甚至还可以写组合条件。
train['quality'] = ''
traincond1 = train['Sex'] == 'male'
cond2 = train['Age'] > 25
train['quality'].where(cond1 & cond2, other='低质量男性', inplace=True)
mask
和
where
是一对操作，与
where
正好反过来。
train['quality'].mask(cond1 & cond2, other='低质量男性', inplace=True)
6. query
这是一种非常优雅的筛选数据方式。所有的筛选操作都在
''
之内完成。
# 常用方式
train[train.Age > 25]
# query方式
train.query('Age > 25')
上面的两种方式效果上是一样的。再比如复杂点的，加入上面的
str.contains
用法的组合条件，注意条件里有
''
时，两边要用
""
包住。
train.query("Name.str.contains('William') & Age > 25")
在
query
里还可以通过
@
来设定变量。
name = 'William'
train.query("Name.str.contains(@name)")
7. filter
filter
是另外一个独特的筛选功能。
filter
不筛选具体数据，而是筛选特定的行或列。它支持三种筛选方式：
-
items：固定列名
-
regex：正则表达式
-
like：以及模糊查询
-
axis：控制是行index或列columns的查询
下面举例介绍下。
train.filter(items=['Age', 'Sex'])
train.filter(regex='S', axis=1) # 列名包含S的
train.filter(like='2', axis=0) # 索引中有2的
train.filter(regex='^2', axis=0).filter(like='S', axis=1)
8. any/all
any
方法意思是，如果至少有一个值为
True
结果便为
True
，
all
需要所有值为
True
结果才为
True
，比如下面这样。
>> train['Cabin'].all()
>> False
>> train['Cabin'].any()
>> True
any
和
all
一般是需要和其它操作配合使用的，比如查看每列的空值情况。
train.isnull().any(axis=0)
再比如查看含有空值的行数。
>>> train.isnull().any(axis=1).sum()
>>> 708
原创不易，欢迎点赞、留言、分享，支持我继续写下去。
