DataFrame中的isin查询使用

代码实例：

1)包含

df1=df df\["学号".isin(myNumber)]

2）不包含

df1=df \~df\["学号".isin(myNumber)]

3）多条件

或（满足某一个即可）

filt_1 = df'name'.isin('网易','百度')

filt_2 = df'age' == df'age'.min()

df2= df filt_1 \| filt_2

并且（同时满足多个条件）

filter1 = data"Gender".isin("Female")

filter2 = data"Team".isin("Engineering", "Distribution", "Finance" )

datafilter1 \& filter2

=======================================================

1. DataFrame条件查询操作

获取DataFrame中满足条件的数据

基本格式：

df.loc条件...

df.query('条件...')

loc和query如果跟多个条件可以用&、|表示条件之间的关系

#获取Age大于60且小于80的科学家信息

scientists.loc(scientists\['Age'>60)&(scientists'Age'<80)]

scientists.loc(scientists.Age\>60)\&(scientists.Age\<80)

scientists.query('Age > 60 & Age < 80')

2. DataFrame分组聚合操作

指定列分组，并对分组数据的相应列进行行相应的聚合操作

基本格式：

df.groupby(列标签，...).列标签.聚合函数（）

df.groupby(列标签,...).agg({'列标签'：'聚合',...})

df.groupby(列标签,...).aggregate({'列标签'：'聚合',...})

如果聚合的列标签只有一个，则返回的是一个Series数据

常见聚合函数：

方式 说明

mean 计算平均值

max 计算最大值

min 计算最小值

sum 求和

count 计数（非空数据数目）

#按照Occupation职业分组，并计算每组年龄的平均值

scientists.groupby('Occupation').Age.mean()

scientists.groupby('Occupation')'Age'.mean()

#按照Occupation职业分组，并计算每组人数和年龄的平均值

scientists.groupby('Occupation').agg({'Name':'count','Age':'mean'})

3. DataFrame排序操作

基本格式：

方法 说明

df.sort_values(by='列标签',ascending=True) 将DataFrame按照指定列标签按升序进行排序

df.sort_index(ascending=True) 将DataFrame按照行标签升序排序

ascending参数默认是True表示升序

seies也可以使用sort_values和sort_index函数进行排序，只不过series的sort_values方法没有by参数

#按照 Age 从小到大进行排序

scientists.sort_values(by='Age',ascending=True)

#按照 Age 从大到小进行排序

scientists.sort_values(by='Age',ascending=False)

按照行标签从大到小进行排序

scientists.sort_index(ascending=False)

4. nlargest和nsmallest函数

基本格式：

方法 说明

df.nlargest(n,columns='列标签')

按照columns指定的列进行降序，并取前n行数据

df.nsmallest(n,columns='列标签') 按照columns指定的列进行升序，并取前n行数据

#获取 Age 最大的前 3 行数据

scientists.nlargest(3,columns='Age')

#获取 Age 最小的前 3 行数据

scientists.nsmallest(3,columns='Age')