pandas filter用法详解

pandas中提供了多种方法来筛选数据，其中比较常用的是`boolean indexing`和`query`两种方式。

## Boolean indexing

`Boolean indexing`是指使用逻辑条件来筛选数据的方式。在pandas中，我们可以使用`[]`来实现这一操作，使用`[]`内的逻辑表达式可以筛选出符合条件的行。例如：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3],
                   'B': [4, 5, 6],
                   'C': [7, 8, 9]})

# 使用逻辑表达式筛选数据
df_filtered = df[df['A'] > 1]
print(df_filtered)

输出结果：

   A  B  C
1  2  5  8
2  3  6  9

上面代码中，`df_filtered = df[df['A'] > 1]`表示筛选出`'A'`列中大于1的行。

## Query

`query`方法是使用类似SQL的方式来筛选数据。在pandas中，我们可以使用`query`方法来实现这一操作。使用`query`方法可以避免写很长的逻辑表达式，增加代码可读性。例如：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3],
                   'B': [4, 5, 6],
                   'C': [7, 8, 9]})

# 使用query方法筛选数据
df_filtered = df.query('A > 1')
print(df_filtered)

输出结果：

   A  B  C
1  2  5  8
2  3  6  9

上面代码中，`df_filtered = df.query('A > 1')`表示筛选出`'A'`列中大于1的行。

另外，`query`方法还支持使用外部变量的方式来传递条件。例如：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3],
                   'B': [4, 5, 6],
                   'C': [7, 8, 9]})

# 使用外部变量传递条件
cond = 1
df_filtered = df.query(f'A > {cond}')
print(df_filtered)

输出结果：

   A  B  C
1  2  5  8
2  3  6  9

上面代码中，我们使用了`f-string`将变量`cond`插入到了查询条件中。

总的来说，`Boolean indexing`方式比较灵活，可以灵活处理各种复杂的逻辑条件，而`query`方式则更加简单易懂。在实际应用中，我们可以根据具体情况选用不同的方式进行数据筛选。