pandas 选取行和列数据的方法详解

前言

本文介绍在 pandas 中如何读取数据行列的方法。数据由行和列组成，在数据库中，一般行被称作记录 (record)，列被称作字段 (field)。回顾一下我们对记录和字段的获取方式：一般情况下，字段根据名称获取，记录根据筛选条件获取。比如获取 student_id 和 studnent_name 两个字段；记录筛选，比如 sales_amount 大于 10000 的所有记录。对于熟悉 SQL 语句的人来说，就是下面的语句：

select student_id, student_name
from exam_scores
where chinese >= 90 and math >= 90

上面的 SQL 语句表示从考试成绩表 (exam_scores) 中，筛选出语文和数学都大于或等于 90 分的所有学生 id 和 name。学习 pandas 数据获取，推荐这种以数据处理的目标为导向的方式，而不是被动的按 pandas 提供的 loc, iloc的语法中，一条条顺序学习。

本篇我们要分析的关于销售数量和金额的一组数据，数据存放在 csv 文件中。示例数据我在 github 上放了一份，方便大家对照练习。

选择列

以下两种方法返回 Series 类型:

import pandas as pd
df = pd.read_csv('sample-salesv3.csv')
df.name
# 或者
df['name']

如果需要返回 DataFrame 格式，使用 list 作为参数。为了方便说明，给出在 jupyter notebook 中显示的界面。

如果需要选取多列，传给 DataFrame 一个包含列名的 list：

选择行

假设我们要筛选 quantity < 0 的所有记录：

按多条件筛选的处理方式。假设想筛选 quantity < 0 并且 unit price > 50 的所有记录：

代码：

criteria = (df['quantity'] < 0) & (df['unit price'] > 50)
df[criteria].head()

在 pandas 中，AND 条件的运算符为 & ，OR 条件的运算符为 |。假设想筛选所有 quantity > 30 或 unit price > 50 的记录：

代码：

criteria = (df['quantity'] > 30) | (df['unit price'] > 50)
df[criteria].head()

基于字符串的记录筛选

如果筛选条件为基于字符串，可以使用用 Series.str.xxx 方法，主要有 startswith, endswith 和 contains等。举一个例子，筛选出所有 name 含有 White 的记录：

代码：

criteria = df['name'].str.contains('White')
df[criteria].head()

这里解释一下 pandas 布尔索引 (boolean indexing) 的概念。布尔索引的意思是首先构建一个与 DataFrame 的 index 长度相同的一个 boolean 向量 (boolean vector)，这个向量中只包含 True 或者 False，布尔索引是一个 Series。

然后 DataFrame 在筛选的时候，基于 DataFrame 的行索引，当布尔索引相同行索引所在行的 value 为 True 时，DataFrame 的这一行就包含在筛选之中，否则就排除在外。

为了能看得更加清晰，我们把上面的例子用另外一个方法来展示。创建一个新列：is_selected，这一列是一个布尔索引。

df['is_selected'] = df['name'].str.contains('White')

我们看到，is_selected 由 True 和 False 构成。

构建了 is_selected 列之后，通过df[df['name'].str.contains('White')] 筛选与下面的语句作用相同：

df[df['is_selected'] == True]

可以把 df['name'].str.contains('White') 这个布尔索引理解为构建了一个新列，然后基于这一列进行筛选。

基于 DateTime 类型的记录筛选

如果列的类型是 DateTime 类型，比如本示例的 date 列。pandas 读取 csv 文件时，date 列是 str 类型，所以我们先将 date 列转换成 datetime 类型，然后基于 pandas 的 Timestamp 类型构建筛选条件。

# 将 date 列转换成 datetime 类型
df['date'] = pd.to_datetime(df['date'])

# 筛选条件为日期大于 2014/4/1
criteria = df['date'] > pd.Timestamp(2014,4,1)
df[criteria].head()

同时选择行和列

如果基于本篇所说的模式，同时选择行和列，最简单的方法是组合，比如先基于行构建 DataFrame，然后再基于这个 DataFrame 选取需要的列：

where = df['name'].str.contains('White')
cols = ['name', 'quantity', 'unit price', 'ext price']
df[where][cols].head()

参考

Comparison with SQL