📚【Python】进阶学习：pandas–query()用法详解
🌵文章目录🌵
🔍一、pandas库简介
pandas是Python中一个非常流行的数据处理库，它提供了大量的数据结构（如Series和DataFrame）以及数据分析工具，使得数据处理变得既简单又高效。在pandas中，query()方法是一个功能强大的函数，允许用户通过字符串表达式来筛选DataFrame中的数据。
😊二、query()方法基础
query()方法允许你使用字符串表达式来筛选DataFrame的行。这个表达式类似于你在Python中使用的常规表达式，但是它专门针对DataFrame的列名和值。
📋 示例1：基本用法
import pandas as pd
# 创建一个示例DataFrame
data = {
'A': [1, 2, 3, 4],
'B': [5, 6, 7, 8],
'C': ['p', 'q', 'r', 's']
}
df = pd.DataFrame(data)
# 使用query()方法筛选A列大于2的行
filtered_df = df.query('A > 2')
print(filtered_df)
输出：
A B C
2 3 7 r
3 4 8 s
😊三、高级用法与技巧
query()方法不仅限于简单的比较操作，你还可以使用逻辑运算符（如&、|）和更复杂的表达式来筛选数据。
📋 示例2：使用逻辑运算符
import pandas as pd
# 创建一个示例DataFrame
data = {
'A': [1, 2, 3, 4],
'B': [5, 6, 7, 8],
'C': ['p', 'q', 'r', 's']
}
df = pd.DataFrame(data)
# 筛选A列大于2且B列小于等于7的行
filtered_df = df.query('A > 2 and B <= 7')
print(filtered_df)
输出：
A B C
2 3 7 r
📋 示例3：使用字符串方法
import pandas as pd
# 创建一个示例DataFrame
data = {
'A': [1, 2, 3, 4],
'B': [5, 6, 7, 8],
'C': ['p', 'qu', 'r', 's']
}
df = pd.DataFrame(data)
# 筛选C列以'q'开头的行
filtered_df = df.query('C.str.startswith("q")')
print(filtered_df)
输出：
A B C
1 2 6 qu
😉四、结合其他pandas功能
query()方法还可以与其他pandas功能（如groupby()、sort_values()等）结合使用，以执行更复杂的数据操作。
📋 示例4：结合groupby()
import pandas as pd
# 创建一个示例DataFrame
data = {
'A': [1, 1, 2, 2, 3, 3, 4, 4],
'B': [5, 6, 6, 7, 7, 8, 8, 9],
'C': ['p', 'q', 'r', 's', 'p', 'q', 'r', 's']
}
df = pd.DataFrame(data)
# 按A列分组，并在每个组内筛选B列的最大值
grouped_df = df.groupby('A').apply(lambda x: x.query('B == B.max()'))
print(grouped_df)
输出：
A B C
A
1 1 1 6 q
2 3 2 7 s
3 5 3 8 q
4 7 4 9 s
🌈五、总结
query()方法是pandas库中一个强大而灵活的工具，它允许你使用易读的字符串表达式来筛选DataFrame中的数据。通过结合逻辑运算符和字符串方法，你可以执行复杂的数据筛选操作。然而，在处理大型数据集时，你应该注意性能问题，并考虑使用其他筛选方法。
🤝六、期待与你共同进步
🌱 亲爱的读者，非常感谢你每一次的停留和阅读！你的支持是我们前行的最大动力！🙏
🌐 在这茫茫网海中，有你的关注，我们深感荣幸。你的每一次点赞👍、收藏🌟、评论💬和关注💖，都像是明灯一样照亮我们前行的道路，给予我们无比的鼓舞和力量。🌟
📚 我们会继续努力，为你呈现更多精彩和有深度的内容。同时，我们非常欢迎你在评论区留下你的宝贵意见和建议，让我们共同进步，共同成长！💬
💪 无论你在编程的道路上遇到什么困难，都希望你能坚持下去，因为每一次的挫折都是通往成功的必经之路。我们期待与你一起书写编程的精彩篇章！ 🎉
🌈 最后，再次感谢你的厚爱与支持！愿你在编程的道路上越走越远，收获满满的成就和喜悦！祝你编程愉快！🎉