Pandas 是一個流行的 Python 數據分析庫，它提供了一系列方便的工具，可以用來操作和處理數據。在 Pandas 中，DataFrame 是最主要的數據結構之一，它可以看作是一種二維數據表格，其中每個列代表一種變量，而每行則代表一個樣本或觀察值。在實際數據分析中，我們經常需要按照某些條件過濾 DataFrame 中的行，以便得到符合特定需求的子集。本文將介紹如何根據 Pandas 中的列值過濾 DataFrame 行。

1. 篩選單個列的值

假設我們有一個包含多個列的 DataFrame，現在想要根據其中某一列的值進行篩選，該怎么做呢？這時候就需要使用 Pandas 的布爾索引功能。具體來說，我們可以通過在 DataFrame 中使用與、或、非等邏輯運算符將多個比較項組合起來，從而生成一個布爾型 Series，然后使用這個 Series 來選擇 DataFrame 中對應的行。下面是一個簡單的例子：

import pandas as pd # 創建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據 age 列的值篩選行 df_filtered = df[df['age'] > 30] print(df_filtered)

運行上述代碼，可以得到如下輸出：

name  age gender
2  Charlie   35      M
3    David   40      M

這里我們通過在 DataFrame 中使用df['age'] > 30來生成一個布爾型 Series，并將其作為索引來選擇符合條件的行。需要注意的是，這里的>符號只能用于比較數值類型的列，如果要比較其他類型的列，需要使用其他適當的比較符號。

除了大于號之外，還有很多其他的比較符號可以用于篩選單個列的值，例如等于、不等于、小于等。具體來說，常用的比較符號如下：

• ==：等于
• !=：不等于
• <：小于
• >：大于
• <=：小于等于
• >=：大于等于

2. 篩選多個列的值

上面的例子中我們只篩選了一個列的值，那如果想要篩選多個列的值呢？這時候就需要使用 Pandas 的 loc 或 iloc 屬性，結合布爾索引功能來實現。具體來說，loc 屬性用于按標簽（即列名）訪問數據，而 iloc 屬性則用于按位置訪問數據。下面是一個示例：

import pandas as pd # 創建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據 age 和 gender 列的值篩選行 df_filtered = df.loc[(df['age'] > 30) & (df['gender'] == 'M')] print(df_filtered)

運行上述代碼，可以得到如下輸出：

name  age gender
3  David   40      M

這里我們使用 loc 屬性按列名訪問了 DataFrame 中的 age 和 gender 列，并將其用于生成布爾型 Series。然后我們使用與邏輯符&將兩個比較項組合起來，并將結果傳遞給 loc 或 iloc 屬性來選擇符合條件的行。

需要注意的是，如果要同時篩選多個列

的值，需要使用圓括號將不同列的比較項括起來，并使用邏輯運算符進行組合。為了讓代碼更加清晰易讀，推薦在每個比較項之間添加換行符或縮進。

3. 使用 isin() 方法篩選值

除了使用比較運算符來篩選 DataFrame 的行之外，還可以使用 Pandas 提供的 isin() 方法。該方法可以用于檢查 DataFrame 中某一列中的值是否包含在指定的列表中，返回一個布爾型 Series。下面是一個示例：

import pandas as pd # 創建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據 gender 列的值篩選行 df_filtered = df[df['gender'].isin(['F', 'M'])] print(df_filtered)

運行上述代碼，可以得到如下輸出：

name  age gender
0    Alice   25      F
1      Bob   30      M
2  Charlie   35      M
3    David   40      M

這里我們使用 isin() 方法檢查 DataFrame 中的 gender 列中的值是否包含在列表['F', 'M']中，并將結果傳遞給布爾索引功能來選擇符合條件的行。需要注意的是，isin() 方法接受一個包含要匹配值的列表作為參數，可以同時匹配多個值。

4. 使用 query() 方法篩選行

除了上述方法之外，Pandas 還提供了一個 query() 方法，可以讓我們使用類似 SQL 的語法來篩選 DataFrame 中的行。具體來說，該方法接受一個字符串表達式，其中包含列名、比較符號和邏輯運算符等操作，返回一個 DataFrame 子集。下面是一個示例：

import pandas as pd # 創建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根據 age 和 gender 列的值篩選行 df_filtered = df.query('age > 30 and gender == "M"') print(df_filtered)

運行上述代碼，可以得到如下輸出：

name  age gender
3  David   40      M

這里我們使用 query() 方法將條件表達式'age > 30 and gender == "M"'傳遞給 DataFrame，用于篩選行。需要注意的是，在查詢表達式中，列名需要用引號括起來，而字符串或數字則不需要。

總之，Pandas 提供了多種方法來根據列值過濾 DataFrame 的行。在實際數據分析中，需要根據具體需求選擇最合適的方法，以便高效地處理大規模數據集。

想快速入門Python數據分析？這門課程適合你！

如果你對Python數據分析感興趣，但不知從何入手，推薦你學習《山有木兮：Python數據分析極簡入門》。這門課程專為初學者設計，內容簡潔易懂，手把手教你掌握Python數據分析的核心技能，助你輕松邁出數據分析的第一步。

學習入口：https://edu.cda.cn/goods/show/3429?targetId=5724&preview=0
開啟你的Python數據分析之旅，從入門到精通，只需一步！