python如何从一个dataframe提取相应的行组成一个新的dataframe_从Excel到Python：最常用的36个Pandas函数！最完整的Pandas教程！...

如果从一个DataFrame提取相应的行组成一个新的DataFrame，可以使用Pandas的loc或iloc方法。loc方法是基于行标签和列标签的，而iloc方法是基于行索引和列索引的。

下面是一个例子，假设我们有一个DataFrame df，其中包含了三个学生的成绩记录，我们想提取其中两个学生的记录：

import pandas as pd

# 创建DataFrame
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Math': [80, 70, 90],
    'English': [75, 85, 80]
})

# 提取两个学生的记录
new_df = df.loc[df['Name'].isin(['Alice', 'Charlie'])]
print(new_df)

运行结果为：

       Name  Math  English
0     Alice    80       75
2  Charlie    90       80

在上面的代码中，我们使用了loc方法和isin方法，其中isin方法用于判断某个元素是否在一个列表中。因此，上面的代码相当于是筛选出了Name列中为Alice和Charlie的两行记录，并将它们组成了一个新的DataFrame。

相关问题

python pandas dataframe常见函数

Python pandas是一个数据分析工具，提供了DataFrame数据结构，它有许多常见的函数可以对数据进行处理和分析。

1. 读取数据：通过read_csv()函数可以将csv格式的文件读取为DataFrame对象，并通过to_csv()函数将DataFrame对象保存为csv文件。

2. 选取数据：使用loc()和iloc()函数可以根据标签或索引选取DataFrame中的行和列。例如，df.loc[0]可以选择第一行，df.loc[:, 'A']可以选择'A'列。

3. 描述数据：describe()函数可以提供DataFrame中数值列的基本统计信息，如计数、均值、标准差等。

4. 排序数据：通过sort_values()函数可以根据指定的列或多个列对DataFrame进行排序。

5. 筛选数据：使用条件表达式可以筛选出满足条件的数据，例如df[df['A'] > 0]可以筛选出'A'列大于0的数据。

6. 缺失值处理：fillna()函数可以将DataFrame中的缺失值用指定的值进行填充，dropna()函数可以删除包含缺失值的行或列。

7. 合并数据：通过concat()和merge()函数可以将多个DataFrame对象按指定的方式合并成一个新的DataFrame。

8. 统计计算：DataFrame提供了一些常见的统计计算函数，如sum()、mean()、median()等，可以对指定的列进行计算。

9. 分组操作：使用groupby()函数可以按照指定的列对DataFrame进行分组操作，然后进行聚合计算，如求和、平均值等。

10. 数据透视表：使用pivot_table()函数可以根据指定的行和列对DataFrame进行透视操作，类似于Excel中的数据透视表。

这些函数只是常见的一部分，Python pandas还提供了很多其他强大的函数和特性，可以根据实际需求去探索和应用。

pythonpandas函数详解_Python pandas常用函数详解

Pandas 是一个强大的数据分析工具，提供了很多常用的函数来处理数据，下面是一些常用的函数及其用法：

1. read_csv()：读取 CSV 文件并返回一个 DataFrame 对象。

2. head()：返回 DataFrame 的前几行数据，默认为前 5 行。

3. tail()：返回 DataFrame 的后几行数据，默认为后 5 行。

4. info()：返回 DataFrame 的基本信息，包括每列的数据类型、非空值数量等。

5. describe()：返回 DataFrame 的基本统计信息，包括计数、均值、标准差、最小值、最大值等。

6. shape：返回 DataFrame 的行数和列数。

7. columns：返回 DataFrame 的列名。

8. index：返回 DataFrame 的行索引。

9. loc[]：根据行标签和列标签访问 DataFrame 中的元素。

10. iloc[]：根据行索引和列索引访问 DataFrame 中的元素。

11. dropna()：删除 DataFrame 中的缺失值。

12. fillna()：用指定的值或方法填充 DataFrame 中的缺失值。

13. groupby()：按照指定的列对 DataFrame 进行分组。

14. apply()：对 DataFrame 的每一列应用指定的函数。

15. pivot_table()：根据指定的列计算 DataFrame 的透视表。

16. merge()：将两个 DataFrame 按照指定的列进行合并。

17. sort_values()：按照指定的列对 DataFrame 进行排序。

18. drop_duplicates()：去除 DataFrame 中的重复行。

19. value_counts()：统计 DataFrame 中每个元素出现的次数。

20. isnull()：判断 DataFrame 中的元素是否为空值。

这些函数覆盖了 Pandas 中的很多常用操作，掌握它们对于数据分析和处理非常有帮助。