如何用query改写上面的例子

您可以使用`query`方法来改写上述的例子。以下是使用`query`方法的示例代码：

import pandas as pd

# 创建示例数据
data = {'col1': [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
        'col2': [[2, 4, 6], [1, 3, 5], [9, 7, 8]]}
df = pd.DataFrame(data)

# 定义需要筛选的值
values_to_exclude = [2, 4]

# 使用query方法筛选
filtered_df = df.query('not col1.apply(lambda x: any(i in @values_to_exclude for i in x))')

print(filtered_df)

在这个例子中，我们仍然使用了相同的示例数据和需要筛选的值。通过使用`query`方法，我们可以直接在查询字符串中使用`apply`和`lambda`函数。在查询字符串中，我们使用`col1.apply(lambda x: any(i in @values_to_exclude for i in x))`来判断列表中是否存在需要筛选的值。然后，在整个查询字符串前面加上`not`关键字来取反，得到不含指定值的行。最后，将结果存储在`filtered_df`中。

希望这个例子对您有帮助！如果您还有其他问题，请随时提问。

相关问题

jpa @QUERY 分页查询 例子及调用

下面是一个使用JPA @Query进行分页查询的例子：

@Repository
public interface UserRepository extends JpaRepository<User, Long> {
    
    @Query("SELECT u FROM User u WHERE u.age >= :minAge")
    Page<User> findUsersByAge(@Param("minAge") int minAge, Pageable pageable);
}

在上面的例子中，我们定义了一个`UserRepository`接口，继承了`JpaRepository`接口，该接口提供了许多常用的CRUD操作。但是，我们想要进行更加自定义的查询，这时我们可以使用`@Query`注解。

`@Query`注解中的查询语句可以包含命名参数，例如`:minAge`。我们使用`@Param`注解来指定命名参数的值，例如`@Param("minAge")`表示`minAge`命名参数的值。

要进行分页查询，我们需要使用`Pageable`对象。我们可以在方法参数中添加`Pageable`类型的参数，然后将其传递给`@Query`注解中的查询方法。例如，上面的例子中的`findUsersByAge`方法可以接收一个`Pageable`类型的参数，并将其传递给`@Query`注解中的查询语句。

调用该方法时，我们可以使用`PageRequest`类来创建一个`Pageable`对象，例如：

Pageable pageable = PageRequest.of(pageNumber, pageSize);
Page<User> users = userRepository.findUsersByAge(18, pageable);

其中，`pageNumber`表示要查询的页码，`pageSize`表示每页的记录数。调用`findUsersByAge`方法时，我们将`18`作为`minAge`命名参数的值，将`pageable`作为分页参数的值。查询结果将会返回一个`Page<User>`对象，其中包含了符合查询条件的用户记录和分页信息。

需要注意的是，Spring Data JPA默认使用的是`Pageable`进行分页查询。如果需要使用`Sort`进行排序，可以使用`Sort`类型的参数，并将其传递给`@Query`注解中的查询语句。

写Oracle的Parallel Query小例子

以下是一个简单的Oracle Parallel Query的例子，使用Parallel Query来加速一个大型数据表的查询操作：

假设我们有一个名为"employees"的数据表，其中包含了大量的员工信息。我们需要查询薪水大于10000的员工信息，并按照薪水倒序排列。该查询语句如下：

SELECT * FROM employees WHERE salary > 10000 ORDER BY salary DESC;

为了使用Parallel Query加速该查询操作，我们可以使用以下步骤：

1. 创建表的分区（如果尚未创建）。可以使用以下语句创建一个月份为分区键的分区表：

ALTER TABLE employees ADD PARTITION BY RANGE (hire_date) (
  PARTITION employees_jan VALUES LESS THAN (TO_DATE('01-FEB-2019', 'DD-MON-YYYY')),
  PARTITION employees_feb VALUES LESS THAN (TO_DATE('01-MAR-2019', 'DD-MON-YYYY')),
  PARTITION employees_mar VALUES LESS THAN (TO_DATE('01-APR-2019', 'DD-MON-YYYY')),
  ...
);

2. 开启Parallel Query特性。可以使用以下语句开启Parallel Query特性：

ALTER SESSION ENABLE PARALLEL DML;

3. 执行查询操作。可以使用以下语句执行查询操作：

SELECT /*+ PARALLEL(employees,4) */ * FROM employees WHERE salary > 10000 ORDER BY salary DESC;

其中，PARALLEL(employees,4)表示将查询操作拆分为4个并行子操作，可以根据实际情况调整并行度。

通过使用Parallel Query，我们可以利用多个CPU和多个数据流，从而加速查询操作的执行。需要注意的是，Parallel Query的使用需要根据实际情况进行评估和调优，以确保获得最佳的性能优势。