In [1]: import pandas as pd
- 泰坦尼克号数据
本教程使用泰坦尼克号数据集，以 CSV 格式存储。数据包含以下数据列
PassengerId：每个乘客的 ID。
Survived：指示乘客是否幸存。
0表示是，1表示否。Pclass：3 个票价等级中的一个：等级
1、等级2和等级3。姓名：乘客姓名。
性别：乘客性别。
年龄：乘客的年龄（以年为单位）。
SibSp：船上兄弟姐妹或配偶的人数。
Parch：船上父母或子女的人数。
票号：乘客的票号。
票价：表示票价。
客舱：乘客的客舱号。
登船港口：登船港口。
In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S [5 rows x 12 columns]
如何选择 DataFrame 的子集？#
如何从 DataFrame 中选择特定列？#
我对泰坦尼克号乘客的年龄感兴趣。
In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64
要选择单个列，请使用方括号
[]以及感兴趣列的列名。
pandas DataFrame 中的每一列都是一个 Series。当选择单个列时，返回的对象是 pandas Series。我们可以通过检查输出的类型来验证这一点
In [6]: type(titanic["Age"])
Out[6]: pandas.core.series.Series
并查看输出的 shape
In [7]: titanic["Age"].shape
Out[7]: (891,)
DataFrame.shape 是 pandas Series 和 DataFrame 的属性（记住 关于读写操作的教程，不要对属性使用括号），包含行数和列数：(nrows, ncolumns)。pandas Series 是 1 维的，只返回行数。
我对泰坦尼克号乘客的年龄和性别感兴趣。
In [8]: age_sex = titanic[["Age", "Sex"]] In [9]: age_sex.head() Out[9]: Age Sex 0 22.0 male 1 38.0 female 2 26.0 female 3 35.0 female 4 35.0 male
要选择多个列，请在选择方括号
[]内使用列名列表。
注意
内部方括号定义了一个包含列名的 Python 列表，而外部方括号用于从 pandas DataFrame 中选择数据，如前一个示例所示。
返回的数据类型是 pandas DataFrame
In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame
In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)
选择结果返回了一个包含 891 行和 2 列的 DataFrame。请记住，DataFrame 是二维的，既有行维度也有列维度。
有关索引的基本信息，请参阅用户指南中关于 索引和选择数据 的部分。
如何从 DataFrame 中筛选特定行？#
我感兴趣的是年龄超过 35 岁的乘客。
In [12]: above_35 = titanic[titanic["Age"] > 35] In [13]: above_35.head() Out[13]: PassengerId Survived Pclass ... Fare Cabin Embarked 1 2 1 1 ... 71.2833 C85 C 6 7 0 1 ... 51.8625 E46 S 11 12 1 1 ... 26.5500 C103 S 13 14 0 3 ... 31.2750 NaN S 15 16 1 2 ... 16.0000 NaN S [5 rows x 12 columns]
要根据条件表达式选择行，请在选择括号
[]内使用条件。
选择括号 titanic["Age"] > 35 内的条件检查 Age 列的值是否大于 35 的行。
In [14]: titanic["Age"] > 35
Out[14]:
0 False
1 True
2 False
3 False
4 False
...
886 False
887 False
888 False
889 False
890 False
Name: Age, Length: 891, dtype: bool
条件表达式的输出（>，以及 ==, !=, <, <=,… 都可以）实际上是一个 pandas Series，包含布尔值（True 或 False），行数与原始 DataFrame 相同。这种布尔值的 Series 可以通过将其放在选择括号 [] 之间来过滤 DataFrame。只有值为 True 的行才会被选中。
我们之前知道，原始的泰坦尼克号 DataFrame 包含 891 行。让我们通过检查结果 DataFrame above_35 的 shape 属性来查看满足条件的行数。
In [15]: above_35.shape
Out[15]: (217, 12)
我感兴趣的是泰坦尼克号 2 等舱和 3 等舱的乘客。
In [16]: class_23 = titanic[titanic["Pclass"].isin([2, 3])] In [17]: class_23.head() Out[17]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 2 3 1 3 ... 7.9250 NaN S 4 5 0 3 ... 8.0500 NaN S 5 6 0 3 ... 8.4583 NaN Q 7 8 0 3 ... 21.0750 NaN S [5 rows x 12 columns]
类似于条件表达式，
isin()条件函数对于每个值在提供的列表中的行返回True。要根据此类函数过滤行，请在选择括号[]内使用条件函数。在这种情况下，选择括号titanic["Pclass"].isin([2, 3])内的条件检查Pclass列是 2 还是 3 的行。
以上等同于按类为 2 或 3 的行进行过滤，并将两个语句与 |（或）运算符组合。
In [18]: class_23 = titanic[(titanic["Pclass"] == 2) | (titanic["Pclass"] == 3)]
In [19]: class_23.head()
Out[19]:
PassengerId Survived Pclass ... Fare Cabin Embarked
0 1 0 3 ... 7.2500 NaN S
2 3 1 3 ... 7.9250 NaN S
4 5 0 3 ... 8.0500 NaN S
5 6 0 3 ... 8.4583 NaN Q
7 8 0 3 ... 21.0750 NaN S
[5 rows x 12 columns]
注意
组合多个条件语句时，每个条件都必须用括号 () 括起来。此外，您不能使用 or/and，而需要使用 or 运算符 | 和 and 运算符 &。
我想使用已知年龄的乘客数据。
In [20]: age_no_na = titanic[titanic["Age"].notna()] In [21]: age_no_na.head() Out[21]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S [5 rows x 12 columns]
notna()条件函数对于每个值不是Null值的行返回True。因此，这可以与选择括号[]组合以过滤数据表。
您可能想知道究竟发生了什么变化，因为前 5 行仍然是相同的值。验证的一种方法是检查形状是否已更改。
In [22]: age_no_na.shape
Out[22]: (714, 12)
有关缺失值的更多专用函数，请参阅用户指南中关于 处理缺失数据 的部分。
如何从 DataFrame 中选择特定的行和列？#
我感兴趣的是年龄大于 35 岁的乘客姓名。
In [23]: adult_names = titanic.loc[titanic["Age"] > 35, "Name"] In [24]: adult_names.head() Out[24]: 1 Cumings, Mrs. John Bradley (Florence Briggs Th... 6 McCarthy, Mr. Timothy J 11 Bonnell, Miss. Elizabeth 13 Andersson, Mr. Anders Johan 15 Hewlett, Mrs. (Mary D Kingcome) Name: Name, dtype: object
在这种情况下，需要一次性对行和列进行子集选择，仅仅使用选择括号
[]就已经不够了。需要在选择括号[]前面使用loc/iloc运算符。使用loc/iloc时，逗号前面的部分是您要选择的行，逗号后面的部分是您要选择的列。
当使用列名、行标签或条件表达式时，在选择括号 [] 前面使用 loc 运算符。对于逗号前后两部分，您可以使用单个标签、标签列表、标签切片、条件表达式或冒号。使用冒号表示您要选择所有行或列。
我感兴趣的是第 10 到 25 行和第 3 到 5 列。
In [25]: titanic.iloc[9:25, 2:5] Out[25]: Pclass Name Sex 9 2 Nasser, Mrs. Nicholas (Adele Achem) female 10 3 Sandstrom, Miss. Marguerite Rut female 11 1 Bonnell, Miss. Elizabeth female 12 3 Saundercock, Mr. William Henry male 13 3 Andersson, Mr. Anders Johan male .. ... ... ... 20 2 Fynney, Mr. Joseph J male 21 2 Beesley, Mr. Lawrence male 22 3 McGowan, Miss. Anna "Annie" female 23 1 Sloper, Mr. William Thompson male 24 3 Palsson, Miss. Torborg Danira female [16 rows x 3 columns]
同样，需要一次性对行和列进行子集选择，仅仅使用选择括号
[]就已经不够了。当您特别感兴趣的是根据其在表格中的位置来选择某些行和/或列时，在选择括号[]前面使用iloc运算符。
当使用 loc 或 iloc 选择特定的行和/或列时，可以将新值分配给所选数据。例如，要将名称 anonymous 分配给第四列的前 3 个元素
In [26]: titanic.iloc[0:3, 3] = "anonymous"
In [27]: titanic.head()
Out[27]:
PassengerId Survived Pclass ... Fare Cabin Embarked
0 1 0 3 ... 7.2500 NaN S
1 2 1 1 ... 71.2833 C85 C
2 3 1 3 ... 7.9250 NaN S
3 4 1 1 ... 53.1000 C123 S
4 5 0 3 ... 8.0500 NaN S
[5 rows x 12 columns]
请参阅用户指南中关于 索引的不同选择 的部分，以深入了解 loc 和 iloc 的用法。
记住
当选择数据子集时，使用方括号
[]。在这些括号内，您可以使用单个列/行标签、列/行标签列表、标签切片、条件表达式或冒号。
使用行和列名称时，使用
loc选择特定行和/或列。使用表格中的位置时，使用
iloc选择特定行和/或列。您可以根据
loc/iloc为选择分配新值。
用户指南页面上提供了索引的完整概述，请参阅 索引和选择数据。