【Python】进阶学习：pandas--isin()用法详解
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程👈 希望得到您的订阅和支持~
💡 创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）
🌵文章目录🌵
- [📚 一、pandas库简介](#📚 一、pandas库简介)
- [🔍 二、isin()方法基础](#🔍 二、isin()方法基础)
-
- [📋 示例1：筛选DataFrame中的特定值](#📋 示例1：筛选DataFrame中的特定值)
- [📋 示例2：结合多个条件筛选](#📋 示例2：结合多个条件筛选)
- [🎯 三、高级用法与技巧](#🎯 三、高级用法与技巧)
-
- [📋 示例3：筛选DataFrame中多个列的值](#📋 示例3：筛选DataFrame中多个列的值)
- [📋 示例4：结合set数据结构使用isin()](#📋 示例4：结合set数据结构使用isin())
- [🎉 四、总结](#🎉 四、总结)
- [🤝 五、期待与你共同进步](#🤝 五、期待与你共同进步)
📚 一、pandas库简介
pandas是Python中一个非常流行的数据处理库，它提供了大量的数据结构（如Series和DataFrame）以及数据分析工具，使得数据处理变得既简单又高效。在pandas中，isin()是一个非常重要的方法，它允许我们根据一个值列表来筛选数据。
🔍 二、isin()方法基础
isin()方法用于过滤数据框（DataFrame）或序列（Series）中的值，仅保留在给定列表中出现的值。
📋 示例1：筛选DataFrame中的特定值
假设我们有一个DataFrame df，其中包含学生的信息：
python
import pandas as pd
# 创建一个示例DataFrame
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
'Subject': ['Math', 'Science', 'Math', 'History', 'Science'],
'Score': [90, 85, 92, 78, 88]
}
df = pd.DataFrame(data)
# 筛选Subject列为'Math'或'Science'的学生
selected_students = df[df['Subject'].isin(['Math', 'Science'])]
print(selected_students)输出：
c
Name Subject Score
0 Alice Math 90
1 Bob Science 85
2 Charlie Math 92
4 Eve Science 88📋 示例2：结合多个条件筛选
isin()方法可以与其他条件筛选方法结合使用，以创建更复杂的筛选条件。
python
import pandas as pd
# 创建一个示例DataFrame
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
'Subject': ['Math', 'Science', 'Math', 'History', 'Science'],
'Score': [90, 85, 92, 78, 88]
}
df = pd.DataFrame(data)
# 筛选Score大于85且Subject为'Math'或'Science'的学生
combined_filter = df[(df['Score'] > 85) & df['Subject'].isin(['Math', 'Science'])]
print(combined_filter)输出：
c
Name Subject Score
0 Alice Math 90
2 Charlie Math 92
4 Eve Science 88🎯 三、高级用法与技巧
isin()方法不仅限于简单的值匹配，还可以与其他pandas功能结合使用，以实现更高级的数据筛选。
📋 示例3：筛选DataFrame中多个列的值
我们可以同时检查多个列中的值是否存在于给定的列表中。
python
import pandas as pd
# 创建一个示例DataFrame
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
'Subject': ['Math', 'Science', 'Math', 'History', 'Science'],
'Score': [90, 85, 92, 78, 88]
}
df = pd.DataFrame(data)
# 筛选Name为'Alice'或'Charlie'，且Subject为'Math'或'Science'的学生
multi_column_filter = df[(df['Name'].isin(['Alice', 'Charlie']) & df['Subject'].isin(['Math', 'Science']))]
print(multi_column_filter)输出：
c
Name Subject Score
0 Alice Math 90
2 Charlie Math 92📋 示例4：结合set数据结构使用isin()
使用set数据结构可以更有效地执行isin()操作，尤其是当比较值列表非常大时。
python
import pandas as pd
# 创建一个示例DataFrame
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
'Subject': ['Math', 'Science', 'Math', 'History', 'Science'],
'Score': [90, 85, 92, 78, 88]
}
df = pd.DataFrame(data)
# 将要匹配的值转换为set以提高效率
subjects_set = {'Math', 'Science'}
# 筛选Subject列为'Math'或'Science'的学生
set_filter = df[df['Subject'].isin(subjects_set)]
print(set_filter)输出:
c
Name Subject Score
0 Alice Math 90
1 Bob Science 85
2 Charlie Math 92
4 Eve Science 88🎉 四、总结
isin()是pandas中一个非常实用的方法，它允许我们根据给定的值列表来筛选数据。通过结合不同的条件和技巧，我们可以实现复杂的数据筛选任务。在使用isin()方法时，保持代码清晰、高效和易于维护非常重要。通过遵循最佳实践，我们可以确保筛选操作能够快速、准确地返回所需的结果。
🤝 五、期待与你共同进步
在数据处理的旅程中，我们始终在学习和成长。希望这篇博客能够帮助你更好地理解和应用pandas中的isin()方法。如果你有任何疑问或建议，欢迎在评论区留言，我们一起探讨和学习。同时，也期待你分享你的经验和见解，让我们共同进步！