Pandas是Python中一個非常強大的數據處理庫，可以用于處理各種數據類型，包括多列數據條件篩選。在實際應用中，我們經常需要從數據集中選擇滿足特定條件的數據子集。這篇文章將介紹如何使用Pandas進行多列數據條件篩選，并提供一些示例代碼。

首先，讓我們考慮一個示例數據集。假設我們有一份關于銷售數據的Excel表格，其中包含了以下幾列數據：銷售日期、銷售人員、銷售地點、銷售金額。我們想要從這個數據集中選擇出符合以下條件的數據子集：

• 銷售日期為2022年
• 銷售人員為John或Mary
• 銷售地點為New York或Los Angeles
• 銷售金額大于1000美元

接下來，我們將演示如何使用Pandas進行條件篩選。首先，我們需要導入Pandas庫并讀取Excel表格數據。

import pandas as pd

# 讀取Excel表格數據
df = pd.read_excel('sales_data.xlsx')

然后，我們可以通過多個布爾條件對數據集進行篩選。例如，我們可以使用以下代碼來選擇符合上述條件的數據子集：

# 使用多個布爾條件進行篩選
selected_df = df[(df['銷售日期'].dt.year == 2022) &
                 (df['銷售人員'].isin(['John', 'Mary'])) &
                 (df['銷售地點'].isin(['New York', 'Los Angeles'])) &
                 (df['銷售金額'] > 1000)]

# 打印符合條件的數據子集
print(selected_df)

在上面的代碼中，我們首先使用dt.year屬性從“銷售日期”列中提取年份，然后使用isin()方法檢查“銷售人員”和“銷售地點”是否包含特定值。最后，我們使用大于號（>）運算符來比較“銷售金額”與1000美元的大小關系。

需要注意的是，在Pandas中，多個布爾條件之間使用邏輯運算符進行連接時，必須使用圓括號將每個條件括起來。

除了使用多個布爾條件外，我們還可以使用Pandas中的query()方法進行條件篩選。例如，以下代碼與上面的代碼效果相同：

# 使用query()方法進行篩選
selected_df = df.query('銷售日期.dt.year == 2022 and '
                       '銷售人員 in ["John", "Mary"] and '
                       '銷售地點 in ["New York", "Los Angeles"] and '
                       '銷售金額 > 1000')

# 打印符合條件的數據子集
print(selected_df)

在上面的代碼中，我們使用字符串形式的條件表達式作為query()方法的參數，并使用and、in和大于號（>）等運算符對條件進行連接。

當然，我們也可以將多個條件分開寫成多行代碼，例如：

# 分別篩選各個條件
condition1 = df['銷售日期'].dt.year == 2022
condition2 = df['銷售人員'].isin(['John', 'Mary'])
condition3 = df['銷售地點'].isin(['New York', 'Los Angeles'])
condition4 = df['銷售金額'] > 1000

# 將多個條件進行合并
selected_df = df[condition1 & condition2 & condition3 & condition4]

# 打印符合條件的數據子集
print(selected_df)

在上面的代碼中，我們將每個條件分別定義為一個變量，然后使用邏輯運算符對它們進行連接，并將結果賦值給新的DataFrame對象。

至此，我們已經介紹了如何使用Pandas進行多列數據條件篩選。需要注意的是，在實際應用中，我們

可能會遇到更復雜的篩選條件，需要使用更多的運算符和函數。以下是一些常用的Pandas運算符和函數：

• ==：等于
• !=：不等于
• <、<=：小于、小于等于
• >、>=：大于、大于等于
• &：邏輯與
• |：邏輯或
• ~：邏輯非
• isin()：是否包含某些值
• str.contains()：字符串中是否包含某個子串
• str.startswith()：字符串是否以某個子串開頭
• str.endswith()：字符串是否以某個子串結尾
• str.strip()：去除字符串兩側的空格
• str.lower()、str.upper()：將字符串轉換為小寫或大寫形式
• str.replace()：替換字符串中的某些子串

當然，在實際應用中，我們可能還需要進行數據類型轉換、日期計算、缺失值處理等其他操作。如果您想深入了解Pandas的更多功能，請參考官方文檔或相關教程。

總之，Pandas提供了豐富的功能和靈活的語法，可以輕松地進行多列數據條件篩選。我們只需要定義好條件并使用適當的運算符和函數進行連接即可。希望本文對您有所幫助！