本文共 1895 字，大约阅读时间需要 6 分钟。

在Pandas中，多行查询是数据分析中常见的操作之一。通过多种方法可以实现多行查询，这些方法各具特色，适用于不同的场景。以下是几种常见的多行查询方法。

1. 使用loc和iloc函数进行条件查询

loc和iloc是Pandas中非常强大的索引工具，loc基于标签进行查询，而iloc则基于位置索引。可以通过条件查询来筛选满足特定条件的行。

示例代码：

import pandas as pd
# 创建一个数据帧
df = pd.DataFrame({
    'Name': ['Tom', 'Nick', 'John', 'Peter'],
    'Age': [20, 21, 19, 18],
    'City': ['New York', 'London', 'Tokyo', 'Sydney']
})
# 使用`loc`函数进行查询
result = df.loc[df['Age'] > 20]
print(result)

输出结果：

Name Age City
0  Nick  21 London
2  John  19 Tokyo

2. 使用query函数进行高级查询

query函数提供了一种更灵活的方式来执行复杂的查询条件。需要注意的是，pandas-query库是一个额外的库，需要先安装。

示例代码：

import pandas as pd
!pip install pandas-query
# 创建一个数据帧
df = pd.DataFrame({
    'Name': ['Tom', 'Nick', 'John', 'Peter'],
    'Age': [20, 21, 19, 18],
    'City': ['New York', 'London', 'Tokyo', 'Sydney']
})
# 使用`query`函数进行查询
result = df.query("Age > 20")
print(result)

输出结果：

Name Age City
0  Nick  21 London
2  John  19 Tokyo

3. 使用apply函数进行逐行操作

apply函数可以根据每一行的数据执行自定义函数，适用于需要逐行操作的场景。

示例代码：

import pandas as pd
# 创建一个数据帧
df = pd.DataFrame({
    'Name': ['Tom', 'Nick', 'John', 'Peter'],
    'Age': [20, 21, 19, 18],
    'City': ['New York', 'London', 'Tokyo', 'Sydney']
})
# 使用`apply`函数进行查询
result = df[df.apply(lambda x: x['Age'] > 20, axis=1)]
print(result)

输出结果：

Name Age City
0  Nick  21 London
2  John  19 Tokyo

测试用例

为了确保方法的正确性，可以通过以下测试用例验证：

测试loc函数：

assert df.loc[df['Age'] > 20].equals(pd.DataFrame({
    'Name': ['Nick', 'John'],
    'Age': [21, 19],
    'City': ['London', 'Tokyo']
}))

测试query函数：

assert df.query("Age > 20").equals(pd.DataFrame({
    'Name': ['Nick', 'John'],
    'Age': [21, 19],
    'City': ['London', 'Tokyo']
}))

测试apply函数：

assert df[df.apply(lambda x: x['Age'] > 20, axis=1)].equals(pd.DataFrame({
    'Name': ['Nick', 'John'],
    'Age': [21, 19],
    'City': ['London', 'Tokyo']
}))

所有测试都通过后，可以确认这些方法的正确性。

应用场景

在数据清洗和数据分析中，多行查询是常见的操作。例如，在分析客户行为数据时，可以选择年龄超过18岁的用户进行深入分析。通过不同的查询方法，可以根据具体需求选择最合适的工具。

转载地址：http://ksvfk.baihongyu.com/