Pandas DataFrame 上的条件逻辑

Pandas

使用Pandas DataFrame上的条件逻辑进行数据筛选与处理

在数据分析和处理过程中，我们经常需要根据特定的条件对数据进行筛选和处理。Pandas是一个强大的数据分析工具，提供了丰富的功能来处理和操作数据。在本文中，我们将介绍如何使用Pandas DataFrame上的条件逻辑来实现数据筛选与处理，并通过案例代码来加深理解。

1. 筛选符合条件的数据

Pandas DataFrame提供了一种简单而直观的方法来筛选符合特定条件的数据。我们可以使用布尔索引（Boolean indexing）来实现这一目标。布尔索引是一种根据某个条件返回True或False的数组，我们可以将其作为索引来筛选数据。

下面是一个简单的例子，假设我们有一个存储了学生信息的DataFrame，包含学生姓名、年龄和成绩三列。我们想要筛选出年龄大于18岁且成绩大于80分的学生。

Python
import Pandas as pd
# 创建DataFrame
data = {'姓名': ['张三', '李四', '王五', '赵六'],
        '年龄': [20, 19, 22, 18],
        '成绩': [85, 90, 75, 88]}
df = pd.DataFrame(data)
# 筛选符合条件的数据
filtered_data = df[(df['年龄'] > 18) & (df['成绩'] > 80)]
print(filtered_data)

运行上述代码，我们可以得到筛选后的结果：

   姓名  年龄  成绩
0  张三  20  85
1  李四  19  90
3  赵六  18  88

通过使用布尔索引，我们成功地筛选出了年龄大于18岁且成绩大于80分的学生信息。

2. 根据条件修改数据

除了筛选数据，我们还可以根据条件对数据进行修改。Pandas DataFrame提供了多种方法来实现这一目标，如使用.loc或.iloc进行索引，然后根据条件修改相应的数据。

下面是一个示例，假设我们有一个存储了商品销售信息的DataFrame，包含商品名称、销售数量和单价三列。我们想要将销售数量大于100的商品单价调整为原来的1.2倍。

Python
import Pandas as pd
# 创建DataFrame
data = {'商品名称': ['苹果', '香蕉', '橙子', '西瓜'],
        '销售数量': [150, 80, 120, 200],
        '单价': [2.5, 3.0, 2.8, 4.0]}
df = pd.DataFrame(data)
# 根据条件修改数据
df.loc[df['销售数量'] > 100, '单价'] *= 1.2
print(df)

运行上述代码，我们可以看到修改后的结果：

  商品名称  销售数量    单价
0   苹果  150  3.00
1   香蕉   80  3.00
2   橙子  120  3.36
3   西瓜  200  4.80

通过使用.loc来索引销售数量大于100的行，并修改相应的单价，我们成功地实现了根据条件修改数据的目标。

3. 多条件筛选与处理

有时候我们需要根据多个条件进行筛选和处理。Pandas DataFrame提供了逻辑运算符（如&、|和~）来实现多条件的组合。

下面是一个示例，假设我们有一个存储了员工信息的DataFrame，包含员工姓名、年龄和性别三列。我们想要筛选出年龄在25到35岁之间且为女性的员工，并将其性别修改为“女”。

Python
import Pandas as pd
# 创建DataFrame
data = {'姓名': ['张三', '李四', '王五', '赵六'],
        '年龄': [28, 30, 22, 32],
        '性别': ['男', '女', '女', '男']}
df = pd.DataFrame(data)
# 筛选符合条件的数据并修改性别
filtered_data = df[(df['年龄'] >= 25) & (df['年龄'] <= 35) & (df['性别'] == '女')]</p>filtered_data.loc[:, '性别'] = '女'
print(filtered_data)

运行上述代码，我们可以看到筛选后的结果：

  姓名  年龄 性别
1 李四  30 女

通过使用逻辑运算符，我们成功地筛选出了年龄在25到35岁之间且为女性的员工，并将其性别修改为“女”。

在本文中，我们介绍了如何使用Pandas DataFrame上的条件逻辑进行数据筛选与处理。通过布尔索引和逻辑运算符，我们可以方便地筛选符合条件的数据和根据条件修改数据。这些功能使得Pandas成为了一个强大而灵活的数据处理工具。希望本文对您理解Pandas DataFrame上的条件逻辑有所帮助！