Pandas 是一个流行的 Python 数据分析库，它提供了一系列方便的工具，可以用来操作和处理数据。在 Pandas 中，DataFrame 是最主要的数据结构之一，它可以看作是一种二维数据表格，其中每个列代表一种变量，而每行则代表一个样本或观察值。在实际数据分析中，我们经常需要按照某些条件过滤 DataFrame 中的行，以便得到符合特定需求的子集。本文将介绍如何根据 Pandas 中的列值过滤 DataFrame 行。

1. 筛选单个列的值

假设我们有一个包含多个列的 DataFrame，现在想要根据其中某一列的值进行筛选，该怎么做呢？这时候就需要使用 Pandas 的布尔索引功能。具体来说，我们可以通过在 DataFrame 中使用与、或、非等逻辑运算符将多个比较项组合起来，从而生成一个布尔型 Series，然后使用这个 Series 来选择 DataFrame 中对应的行。下面是一个简单的例子：

import pandas as pd # 创建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根据 age 列的值筛选行 df_filtered = df[df['age'] > 30] print(df_filtered)

运行上述代码，可以得到如下输出：

name  age gender
2  Charlie   35      M
3    David   40      M

这里我们通过在 DataFrame 中使用df['age'] > 30来生成一个布尔型 Series，并将其作为索引来选择符合条件的行。需要注意的是，这里的>符号只能用于比较数值类型的列，如果要比较其他类型的列，需要使用其他适当的比较符号。

除了大于号之外，还有很多其他的比较符号可以用于筛选单个列的值，例如等于、不等于、小于等。具体来说，常用的比较符号如下：

• ==：等于
• !=：不等于
• <：小于
• >：大于
• <=：小于等于
• >=：大于等于

2. 筛选多个列的值

上面的例子中我们只筛选了一个列的值，那如果想要筛选多个列的值呢？这时候就需要使用 Pandas 的 loc 或 iloc 属性，结合布尔索引功能来实现。具体来说，loc 属性用于按标签（即列名）访问数据，而 iloc 属性则用于按位置访问数据。下面是一个示例：

import pandas as pd # 创建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根据 age 和 gender 列的值筛选行 df_filtered = df.loc[(df['age'] > 30) & (df['gender'] == 'M')] print(df_filtered)

运行上述代码，可以得到如下输出：

name  age gender
3  David   40      M

这里我们使用 loc 属性按列名访问了 DataFrame 中的 age 和 gender 列，并将其用于生成布尔型 Series。然后我们使用与逻辑符&将两个比较项组合起来，并将结果传递给 loc 或 iloc 属性来选择符合条件的行。

需要注意的是，如果要同时筛选多个列

的值，需要使用圆括号将不同列的比较项括起来，并使用逻辑运算符进行组合。为了让代码更加清晰易读，推荐在每个比较项之间添加换行符或缩进。

3. 使用 isin() 方法筛选值

除了使用比较运算符来筛选 DataFrame 的行之外，还可以使用 Pandas 提供的 isin() 方法。该方法可以用于检查 DataFrame 中某一列中的值是否包含在指定的列表中，返回一个布尔型 Series。下面是一个示例：

import pandas as pd # 创建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根据 gender 列的值筛选行 df_filtered = df[df['gender'].isin(['F', 'M'])] print(df_filtered)

运行上述代码，可以得到如下输出：

name  age gender
0    Alice   25      F
1      Bob   30      M
2  Charlie   35      M
3    David   40      M

这里我们使用 isin() 方法检查 DataFrame 中的 gender 列中的值是否包含在列表['F', 'M']中，并将结果传递给布尔索引功能来选择符合条件的行。需要注意的是，isin() 方法接受一个包含要匹配值的列表作为参数，可以同时匹配多个值。

4. 使用 query() 方法筛选行

除了上述方法之外，Pandas 还提供了一个 query() 方法，可以让我们使用类似 SQL 的语法来筛选 DataFrame 中的行。具体来说，该方法接受一个字符串表达式，其中包含列名、比较符号和逻辑运算符等操作，返回一个 DataFrame 子集。下面是一个示例：

import pandas as pd # 创建 DataFrame df = pd.DataFrame({ 'name': ['Alice', 'Bob', 'Charlie', 'David'], 'age': [25, 30, 35, 40], 'gender': ['F', 'M', 'M', 'M']
}) # 根据 age 和 gender 列的值筛选行 df_filtered = df.query('age > 30 and gender == "M"') print(df_filtered)

运行上述代码，可以得到如下输出：

name  age gender
3  David   40      M

这里我们使用 query() 方法将条件表达式'age > 30 and gender == "M"'传递给 DataFrame，用于筛选行。需要注意的是，在查询表达式中，列名需要用引号括起来，而字符串或数字则不需要。

总之，Pandas 提供了多种方法来根据列值过滤 DataFrame 的行。在实际数据分析中，需要根据具体需求选择最合适的方法，以便高效地处理大规模数据集。

想快速入门Python数据分析？这门课程适合你！

如果你对Python数据分析感兴趣，但不知从何入手，推荐你学习《山有木兮：Python数据分析极简入门》。这门课程专为初学者设计，内容简洁易懂，手把手教你掌握Python数据分析的核心技能，助你轻松迈出数据分析的第一步。

学习入口：https://edu.cda.cn/goods/show/3429?targetId=5724&preview=0
开启你的Python数据分析之旅，从入门到精通，只需一步！