🎯 今日目标
- 掌握 DataFrame 的条件筛选（布尔索引）
- 学会多条件筛选、逻辑运算
- 熟练使用排序（
sort_values）提升数据组织力 - 结合列选择进行数据提取分析
🧪 一、列选择与基本筛选
✅ 选择单列 / 多列
python
df["成绩"] # 返回 Series
df[["姓名", "成绩"]] # 返回新的 DataFrame✅ 条件筛选（布尔索引）
python
# 筛选出成绩大于 80 的学生
df[df["成绩"] > 80]
# 获取性别为"女"的学生
df[df["性别"] == "女"]✅ 多条件筛选（逻辑运算符）
python
# 成绩大于 80 且是男生
df[(df["成绩"] > 80) & (df["性别"] == "男")]
# 成绩不及格 或 未填写是否及格
df[(df["成绩"] < 60) | (df["是否及格"] == False)]⚠️ 注意：逻辑运算使用
&、|、~，并加上括号！
🔢 二、数据排序
✅ 按单列排序
python
df.sort_values("成绩") # 升序
df.sort_values("成绩", ascending=False) # 降序✅ 按多个字段排序
python
df.sort_values(["是否及格", "成绩"], ascending=[True, False])🔍 三、列选择 + 排序综合练习
python
df[df["性别"] == "女"][["姓名", "成绩"]].sort_values("成绩", ascending=False)🧪 今日练习任务
使用前两天处理好的 students_cleaned.csv 文件，完成以下操作：
📝 练习列表
-
筛选出成绩大于等于 80 的学生
-
筛选出成绩不及格的男生
-
按成绩从高到低排序，并只显示"姓名"和"成绩"
-
统计男女生人数（使用
value_counts） -
按性别分组后，计算各组平均成绩（使用
groupby）pythonimport pandas as pd import os # 加载数据文件路径 input_path = "data/students_cleaned.csv" if not os.path.exists(input_path): raise FileNotFoundError("❌ 找不到文件：data/students_cleaned.csv。请先运行前两天的清洗脚本。") # 加载 DataFrame df = pd.read_csv(input_path) print("📊 数据加载成功：") print(df.head()) # 1. 筛选出成绩 ≥ 80 的学生 print("\n🎯 成绩 ≥ 80 的学生：") print(df[df["成绩"] >= 80]) # 2. 筛选出成绩不及格的男生 print("\n🎯 成绩不及格的男生：") condition = (df["成绩"] < 60) & (df["性别"] == "男") print(df[condition]) # 3. 按成绩从高到低排序，显示"姓名"和"成绩" print("\n🎯 按成绩排序（降序）显示姓名和成绩：") sorted_df = df.sort_values("成绩", ascending=False)[["姓名", "成绩"]] print(sorted_df) # 4. 统计性别分布 print("\n🎯 男女生人数统计：") print(df["性别"].value_counts()) # 5. 按性别分组，统计平均成绩 print("\n🎯 按性别分组的平均成绩：") print(df.groupby("性别")["成绩"].mean())结果输出：
python📊 数据加载成功： 姓名 性别 成绩 是否及格 0 张三 男 88.0 True 1 李四 女 78.0 True 2 王五 男 59.0 False 3 田七 女 78.0 False 🎯 成绩 ≥ 80 的学生： 姓名 性别 成绩 是否及格 0 张三 男 88.0 True 🎯 成绩不及格的男生： 姓名 性别 成绩 是否及格 2 王五 男 59.0 False 🎯 按成绩排序（降序）显示姓名和成绩： 姓名 成绩 0 张三 88.0 1 李四 78.0 3 田七 78.0 2 王五 59.0 🎯 男女生人数统计： 性别 男 2 女 2 Name: count, dtype: int64 🎯 按性别分组的平均成绩： 性别 女 78.0 男 73.5 Name: 成绩, dtype: float64
✍️ 今日总结
- 掌握了布尔索引与逻辑运算筛选数据
- 熟悉了多列组合排序操作
- 学会了常用的数据子集提取方法
- 初步接触了分组聚合分析