Python dataframe多条件筛选

在Python DataFrame中进行多条件筛选通常使用pandas库，它支持基于多种条件对数据进行选择。以下是两个例子：

1. **数值和字符串条件筛选**[^1]:

   # 假设我们有一个DataFrame df，其中包含'protein'列（数值）和'rank'列（字符串）
   df = ...  # 填充实际的DataFrame数据

   # 使用布尔逻辑操作符"&"（and）筛选出蛋白质含量大于等于30且产品评级为"1st"的数据
   selected_data = df[(df["protein"] >= 30) & (df["rank"] == "1st")]

2. **筛选空值和非空值**[^2]:

   # 导入pandas和numpy库
   import pandas as pd
   import numpy as np
   
   # 创建示例DataFrame
   data = ...
   df = pd.DataFrame(data)

   # 使用`.notna()`方法筛选出'age'字段值不为空的数据
   no_nans_df = df[df['age'].notna()]

   # 使用`.isna()`方法筛选出'age'字段值为空的数据
   nan_df = df[df['age'].isna()]

通过这些方法，你可以灵活地根据需要从DataFrame中提取满足特定条件的数据子集。

相关问题

python dataframe多条件筛选

在Python的pandas库中，DataFrame是一种二维表格型的数据结构，它非常适合数据处理。如果你需要基于多个条件对DataFrame进行筛选（即过滤），可以使用`loc`、`iloc`或布尔索引来实现。

1. `loc`函数用于基于行标签和列标签进行选择，适用于复杂的数据筛选。例如，你可以这样做：

df.loc[(df['column1'] == value1) & (df['column2'] > value2), 'target_column']

这会返回满足`column1`等于`value1`并且`column2`大于`value2`的所有行，并显示`target_column`的内容。

2. 使用布尔索引也是一种常见的方法。首先创建一个布尔值的Series，然后通过这个Series作为索引来选取行。例如：

mask = (df['column1'] == value1) & (df['column2'] > value2)
filtered_df = df[mask]

3. 如果你想筛选整行，则可以组合多个条件，因为`&`和`|`操作符支持链式应用：

df[(df['condition1'] == True) & (df['condition2'] == False)]

python dataframe多次筛选

### 如何在Python中对Pandas DataFrame执行多个过滤条件

当需要基于多个条件来筛选`DataFrame`中的数据时，可以利用逻辑运算符以及布尔索引来实现这一目标。对于包含多种数据类型的二维表格结构——即Pandas `DataFrame`而言，在应用多条件过滤之前，先要理解基本的单个条件过滤方法。

为了实施多重过滤操作，可以通过组合使用逻辑与(`&`)、逻辑或(`|`)等运算符连接不同的条件表达式。下面给出一个多条件过滤的例子：

假设有一个名为`df`的数据框，其中包含了电影的相关信息，比如投票数量(vote_count)和平均评分(average_rating)，现在想要获取那些既满足最低票数门槛又具有特定评分范围内的影片列表。

import pandas as pd

# 假设m为设定的最小投票次数阈值
m = 1000  

# 创建一个符合条件的新DataFrame
filtered_df = df.loc[(df['vote_count'] >= m) & (df['average_rating'] > 7)]

print(filtered_df)

上述代码片段展示了如何通过逻辑与(&)将两个独立的条件`(df['vote_count'] >= m)` 和 `(df['average_rating'] > 7)` 结合起来应用于同一个`.loc[]`属性调用之中[^3]。需要注意的是，在实际编写过程中应当确保每个条件之间加上括号以保证优先级正确无误。

此外，如果希望增加更多维度上的约束，只需继续按照相同的方式添加额外的条件即可。例如，还可以进一步限定只选取某些年份之后发布的电影：

year_threshold = 2010
final_filtered_df = filtered_df.loc[df['release_year'] > year_threshold]

print(final_filtered_df)

这样就可以得到经过多重标准严格挑选后的最终结果集了。