文章目录
准备工作
先简单过下基础，了解一些常用的方法，
1. isin(values) 和 ~
isin(values) 和 ~ 是 Pandas 中用于数据筛选和过滤的两个常用操作符，它们通常用于数据框（DataFrame）的列操作，以下是对它们的详细解释：
isin(values)：
isin()方法用于检查数据框的某一列中的每个元素是否包含在给定的values中，它返回一个布尔值的 Series，指示每个元素是否包含在values中。values可以是一个列表、集合或另一个 Series，用于比较数据框中的元素。- 常用语法如下：
df['column_name'].isin(values) - 返回的结果是一个布尔值的 Series，其中每个元素表示数据框中对应位置的元素是否包含在
values中。可以将这个 Series 用作数据框的索引来筛选包含特定值的行。
示例：
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 22, 35]}
df = pd.DataFrame(data)
# 筛选年龄在 [25, 30] 范围内的行
filtered_df = df[df['Age'].isin([25, 30])]
print(filtered_df)
输出：
Name Age
0 Alice 25
1 Bob 30
~（取反操作符）：
~是 Python 中的取反操作符，在 Pandas 中，它可以用于取反一个布尔值的 Series。也就是说，它可以用于筛选出不满足某个条件的行。- 常用语法如下：
其中~conditioncondition是一个布尔值的 Series，表示要筛选的条件。 ~可以与其他筛选条件结合使用，例如，你可以使用&（与）和|（或）运算符来构建更复杂的条件。
示例：
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 22, 35]}
df = pd.DataFrame(data)
# 筛选年龄不在 [25, 30] 范围内的行
filtered_df = df[~df['Age'].isin([25, 30])]
print(filtered_df)
输出：
Name Age
2 Charlie 22
3 David 35
在上述示例中，~ 操作符被用于筛选出年龄不在 [25, 30] 范围内的行。
总之，isin(values) 是用于检查列中元素是否包含在给定值中的方法，而 ~ 操作符用于对布尔条件取反，用于筛选出不满足条件的行。这两种方法都是在 Pandas 中对数据进行筛选和过滤时非常有用的工具。
2. df.drop_duplicates()
df.drop_duplicates() 用于删除 DataFrame 中的重复行。这个函数的详细解释如下：
语法：
DataFrame.drop_duplicates(subset=None, keep='first', inplace=False)
参数解释：
subset：可选参数，用于指定要检查重复行的列名列表。默认值为None，表示检查整个行是否重复。keep：可选参数，指定要保留哪个重复行的方式。有三个选项：'first'：保留第一个出现的重复行（默认值）。'last'：保留最后一个出现的重复行。False：删除所有重复行。
inplace：可选参数，如果为True，则会在原始 DataFrame 上进行操作，而不创建一个新的 DataFrame。默认值为False，表示创建一个新的 DataFrame 并返回结果。
函数的作用：
drop_duplicates() 函数的主要作用是识别并删除 DataFrame 中的重复行，从而使 DataFrame 中的数据变得唯一或去重。
示例用法：
import pandas as pd
data = {'A': [1, 2, 2, 3, 4],
'B': ['X', 'Y', 'Y', 'Z', 'Z']}
df = pd.DataFrame(data)
# 去除重复行，默认保留第一个出现的重复行
df_no_duplicates = df.drop_duplicates()
# 显示去重后的 DataFrame
print(df_no_duplicates)
输出：
A B
0 1 X
1 2 Y
3 3 Z
4 4 Z
在上面的示例中，原始 DataFrame df 包含了一些重复的行。通过调用 drop_duplicates() 函数，我们得到了一个去重后的 DataFrame df_no_duplicates，其中只保留了第一个出现的重复行。
需要注意的是，drop_duplicates() 函数默认返回一个新的 DataFrame，原始 DataFrame 不会被修改。如果要在原地修改原始 DataFrame，可以将 inplace 参数设置为 True。
3. df.sort_values()
df.sort_values() 是 Pandas 中用于对 DataFrame 进行排序的函数。它允许你按照指定的列或多个列的值对数据进行排序。下面是 sort_values() 函数的详细解释：
语法：
DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, ignore_index=False, key=None)
参数解释：
by：要排序的列的名称或列名的列表。可以传递单个列名或多个列名的列表，以指定多个排序键。axis：指定排序的轴。默认为 0，表示按行排序。如果设置为 1，表示按列排序。ascending：控制排序顺序。默认为True，表示升序排序（从小到大）。如果设置为False，则表示降序排序（从大到小）。inplace：可选参数，如果为True，则会在原始 DataFrame 上进行排序操作，而不创建一个新的 DataFrame。默认为False，表示创建一个新的 DataFrame 并返回结果。ignore_index：可选参数，如果为True，则重新索引排序后的 DataFrame，以避免保留原始索引。默认为False。key：可选参数，一个用于自定义排序的函数。这个函数将应用于每个排序键，然后根据其返回值进行排序。
函数的作用：
sort_values() 函数的主要作用是对 DataFrame 中的数据进行排序。你可以按照一个或多个列的值进行排序，以便更好地理解数据或为进一步分析做准备。
示例用法：
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 22, 35],
'Salary': [50000, 60000, 55000, 70000]}
df = pd.DataFrame(data)
# 按照年龄升序排序
df_sorted_age = df.sort_values(by='Age', ascending=True)
# 显示排序后的 DataFrame
print(df_sorted_age)
输出：
Name Age Salary
2 Charlie 22 55000
0 Alice 25 50000
1 Bob 30 60000
3 David 35 70000
在上面的示例中，我们首先创建了一个包含姓名、年龄和工资的 DataFrame。然后，我们使用 sort_values() 函数按照年龄升序排序了数据。排序后的结果存储在 df_sorted_age 中，原始 DataFrame df 保持不变。
总之，sort_values() 是一个重要的 Pandas 函数，用于在数据分析和处理中对数据进行排序，以便更好地理解数据的特点和趋势。你可以根据需求指定排序键、排序顺序以及是否在原地修改数据。
4. df.rename()
df.rename() 是 Pandas 中用于重命名 DataFrame 列名或索引的函数。它允许你修改 DataFrame 中的列名或索引标签，以便更好地符合你的需求。下面是 df.rename() 函数的详细解释：
语法：
DataFrame.rename(mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None)
参数解释：
mapper：可选参数，用于指定新旧标签之间的映射关系。可以是一个字典，其中键是旧标签，值是新标签；也可以是一个函数，该函数接受旧标签并返回新标签。index：可选参数，用于重命名索引标签的字典或函数。columns：可选参数，用于重命名列名的字典或函数。axis：可选参数，用于指定重命名的轴。默认为None，表示不指定轴。如果设置为0或'index'，则表示重命名索引标签；如果设置为1或'columns'，则表示重命名列名。copy：可选参数，如果为True，则返回一个包含重命名后数据的副本，原始 DataFrame 不会被修改。如果为False，则在原地修改 DataFrame。默认为True。inplace：可选参数，如果为True，则在原始 DataFrame 上进行重命名操作，而不创建一个新的 DataFrame。默认为False。level：可选参数，用于指定在多层索引 DataFrame 中重命名的级别。
函数的作用：
df.rename() 函数的主要作用是修改 DataFrame 的列名或索引标签，以便更好地反映数据的含义或符合分析的需要。这对于数据清理和准备非常有用。
示例用法：
import pandas as pd
data = {'A': [1, 2, 3],
'B': [4, 5, 6]}
df = pd.DataFrame(data)
# 重命名列名
df.rename(columns={'A': 'X', 'B': 'Y'}, inplace=True)
# 显示重命名后的 DataFrame
print(df)
输出：
X Y
0 1 4
1 2 5
2 3 6
在上面的示例中，我们首先创建了一个包含两列的 DataFrame，然后使用 df.rename() 函数将列名 “A” 和 “B” 重命名为 “X” 和 “Y”。inplace=True 参数表示在原地修改 DataFrame。最后，我们打印出了重命名后的 DataFrame。
总之，df.rename() 是一个有用的 Pandas 函数，用于在数据分析和处理过程中修改 DataFrame 的列名或索引标签，以便更好地表示数据的含义或满足分析需求。可以根据需要选择要重命名的列或索引，以及新的名称。
5. pd.merge()
pd.merge() 是 Pandas 中用于合并（合并）两个 DataFrame 的方法，类似于 SQL 中的 JOIN 操作。这个方法非常有用，可以用于将不同的数据源按照某些关键列或索引合并在一起，以进行数据集成和分析。以下是 .merge() 方法的详细解释：
语法：
pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, suffixes=('_x', '_y'))
参数解释：
left：要合并的左侧 DataFrame。right：要合并的右侧 DataFrame。how：合并的方式，可以是以下几种之一：'inner'：内连接，只保留两个 DataFrame 中共有的行。'left'：左连接，保留左侧 DataFrame 中的所有行，右侧 DataFrame 中没有匹配的用 NaN 填充。'right'：右连接，保留右侧 DataFrame 中的所有行，左侧 DataFrame 中没有匹配的用 NaN 填充。'outer'：外连接，保留两个 DataFrame 中的所有行，没有匹配的用 NaN 填充。
on：用于指定连接的列名，这是最常用的连接方式。如果两个 DataFrame 中的列名相同，可以使用这个参数，否则可以使用left_on和right_on来分别指定左侧和右侧的连接列。left_on：用于指定左侧 DataFrame 中用于连接的列名。right_on：用于指定右侧 DataFrame 中用于连接的列名。left_index和right_index：如果为True，则使用左侧或右侧 DataFrame 的索引作为连接键，而不使用列名。suffixes：如果左侧和右侧 DataFrame 中有重名的列，可以用suffixes参数来指定添加到重名列名后的后缀。
函数的作用：
.merge() 方法用于将两个 DataFrame 按照指定的条件合并在一起，以便进行数据集成和分析。可以根据不同的连接方式（内连接、左连接、右连接、外连接）将两个数据集合并，使得不同数据源的信息可以关联在一起。
示例用法：
import pandas as pd
# 创建两个示例 DataFrame
left_data = {'ID': [1, 2, 3],
'Name': ['Alice', 'Bob', 'Charlie']}
right_data = {'ID': [2, 3, 4],
'Age': [25, 30, 22]}
left_df = pd.DataFrame(left_data)
right_df = pd.DataFrame(right_data)
# 使用 merge 进行内连接
merged_df = pd.merge(left_df, right_df, on='ID', how='inner')
print(merged_df)
输出：
ID Name Age
0 2 Bob 25
1 3 Charlie 30
在上述示例中，我们首先创建了两个示例 DataFrame（left_df 和 right_df），然后使用 .merge() 方法进行了内连接，连接键是 “ID” 列。合并后的结果包含了两个 DataFrame 共有的行。
总之，.merge() 方法是 Pandas 中用于合并两个 DataFrame 的重要工具，允许你根据不同的连接方式将数据集成在一起，以便进行数据分析和处理。你可以根据需要指定连接键、连接方式和其他参数来执行不同类型的合并操作。
题目-条件筛选
1. 大的国家
这题没啥说的，直接写，个人习惯是先写出 SQL，再根据SQL写成 pandas 形式。
SQL
select
name, population, area
from
world
where population >=25000000 or area >=3000000
python
import pandas as pd
def big_countries(world: pd.DataFrame) -> pd.DataFrame:
df = world[(world["area"]>=3000000) | (world["population"]>=25000000)]
return df[["name","population","area"]]
2. 可回收且低脂的产品
也没啥说的，和上一道题一样，
SQL
select
product_id
from
products
where
low_fats = "Y" and recyclable = "Y"
Python
import pandas as pd
def find_products(products: pd.DataFrame) -> pd.DataFrame:
df = products[(products["low_fats"] == "Y") & (products["recyclable"] == "Y")]
return df[["product_id"]]
3. 从不订购的客户
涉及到~, isin() 和rename()方法，上文已给出解析
SQL
select customers.name as 'Customers'
from customers
where customers.id not in
(
select customerid from orders
);
python
import pandas as pd
def find_customers(customers: pd.DataFrame, orders: pd.DataFrame) -> pd.DataFrame:
df = customers[~customers["id"].isin(orders["customerId"])]
df = df[["name"]].rename(columns={"name":"Customers"})
return df
4. 文章浏览 I
条件比较多，一步一步写，第一步筛选 author_id 等于 viewer_id ，随后就根据上文的几个方法直接带入既可，
注意事项就是语法格式，还有 inplace=True 这个东西，不要忘了！
SQL
select
distinct author_id as id
from
Views
where
author_id = viewer_id
order by
id
python
import pandas as pd
def article_views(views: pd.DataFrame) -> pd.DataFrame:
df = views[views["viewer_id"] == views["author_id"]]
df.drop_duplicates(subset=["author_id"], inplace=True)
df.rename(columns={"author_id":"id"}, inplace=True)
df.sort_values(by=["id"],inplace=True)
return df[["id"]]