作者：俊欣

来源：关于数据分析与可视化

大家好，又是新的一周，也是2021年的最后一周，今天小编来和大家说一说怎么从DataFrame数据集中筛选符合指定条件的数据，希望会对读者朋友有所帮助。

导入数据集和模块

我们先导入pandas模块，并且读取数据，代码如下

import pandas as pd
df = pd.read_csv("netflix_titles.csv")
df.head()

根据文本内容来筛选

首先我们可以根据文本内容直接来筛选，返回的是True如果文本内容是相匹配的，False如果文本内容是不匹配的，代码如下

mask = df['type'].isin(['TV Show'])
mask.head()

output

0 False 1 True 2 True 3 True 4 True Name: type, dtype: bool 

然后我们将这个mask作用到整个数据集当中，返回的则是满足与True条件的数据

df[mask].head()

output

当然我们也可以和.loc方法来相结合，只挑选少数的几个指定的列名，代码如下

df.loc[mask, ['title','country','duration']].head()

output

title country duration 1 Blood & Water South Africa 2 Seasons 2 Ganglands NaN 1 Season 3 Jailbirds New Orleans NaN 1 Season 4 Kota Factory India 2 Seasons 5 Midnight Mass NaN 1 Season 

当然要是我们所要筛选的文本内容并不仅仅只有1个，就可以这么来操作，代码如下

mask = df['type'].isin(['Movie','TV Show'])

结果返回的是True，要是文本内容全部都匹配，要是出现一个不匹配的现象则返回的是False

根据关键字来筛选

我们可以根据某个关键字来筛选数据，数据集当中的listed-in包含的是每部电影的种类，当然很多电影并不只有一个种类，而是同时涉及到很多个种类，例如某一部电影既有“科幻”元素，也有“爱情”元素同时还包含了部分“动作片”的元素。

我们按照某个关键字来筛选，例如筛选出包含了“horror”这个关键字的影片，代码如下

mask = df['listed_in'].str.contains('horror', case=False, na=False)

其中的case=False表明的是忽略字母的大小写问题，na=False表明的是对于缺失值返回的是False，

df[mask].head()

output

而要是文本数据当中包含了一些特殊符号，例如+、^以及=等符号时，我们可以将regex参数设置成False（默认的是True），这样就不会被当做是正则表达式的符号，代码如下

df['a'].str.contains('^', regex=False)
#或者是 df['a'].str.contains('^')

根据多个关键字来筛选

当关键字不仅仅只有一个的时候，就可以这么来操作

pattern = 'horror|stand-up' mask = df['listed_in'].str.contains(pattern, case=False, na=False)
df[mask].sample(5)

output

我们用了|来表示“或”的意思，将电影类别包含“horror”或者是“stand-up”这两类的电影筛选出来

除此之外，我们还可以这么来做

mask1 = df['listed_in'].str.contains("horror", case=False)
mask2 = df['listed_in'].str.contains("stand-up", case=False)
df[mask1 | mask2].sample(5)

出来的结果和上述一样，只不过过程可能稍加繁琐，除了|表示的是“或”之外，也有表示的是和，也就是&标识符，意味着条件全部都需要满足即可，例如

mask1 = (df['listed_in'].str.contains('horror', case=False, na=False))
mask2 = (df['type'].isin(['TV Show']))
df[mask1 & mask2].head(3)

output

我们可以添加多个条件在其中，多个条件同时满足，例如

mask1 = df['rating'].str.contains('tv', case=False, na=False)
mask2 = df['listed_in'].str.contains('tv', case=False, na=False)
mask3 = df['type'].str.contains('tv', case=False, na=False)
df[mask1 & mask2 & mask3].head()

output

正则表达式在pandas筛选数据中的应用

我们同时也可以将正则表达式应用在如下的数据筛选当中，例如str.contains('str1.*str2')代表的是文本数据是否以上面的顺序呈现，

pattern = 'states.*mexico' mask = data['country'].str.contains(pattern, case=False, na=False)
data[mask].head()

output

其中.*在正则表达式当中表示匹配除换行符之外的所有字符，我们需要筛选出来包含states以及mexico结尾的文本数据，我们再来看下面的例子

pattern = 'states.*mexico|mexico.*states' mask = data['country'].str.contains(pattern, case=False, na=False)
data[mask].head()

output

我们筛选出来的文本数据满足两个条件当中的一个即可

lambda方法来筛选文本数据中的应用

有一些筛选数据的方式可能稍显复杂，因此需要lambda方法的介入，例如

cols_to_check = ['rating','listed_in','type']
pattern = 'tv' mask = data[cols_to_check].apply(
        lambda col:col.str.contains(
        pattern, na=False, case=False)).all(axis=1)

我们需要在rating、listed_in以及type这三列当中筛选出包含tv的数据，我们来看一下结果如何

df[mask].head()

output

我们再来看下面的这个例子，

mask = df.apply(
    lambda x: str(x['director']) in str(x['cast']), 
    axis=1)

上面的例子当中是来查看director这一列是否被包含在了cast这一列当中，结果如下

df[mask].head()

output

filter方法

我们还可以通过filter方法来筛选文本的数据，例如筛选出列名包含in的数据，代码如下

df.filter(like='in', axis=1).head(5)

output

当然我们也可以用.loc方法来实现，代码如下

df.loc[:, df.columns.str.contains('in')] 

出来的结果和上述的一样

要是我们将axis改成0，就意味着是针对行方向的，例如筛选出行索引中包含Love的影片，代码如下

df_1 = df.set_index('title')
df_1.filter(like='Love', axis=0).head(5)

output

当然我们也可以通过.loc方法来实现，代码如下

df_1.loc[df_1.index.str.contains('Love'), :].head()

筛选文本数据的其他方法

我们可以使用query方法，例如我们筛选出国家是韩国的影片

df.query('country == "South Korea"').head(5)

output

例如筛选出影片的添加时间是11月的，代码如下

mask = df["date_added"].str.startswith("Nov")
df[mask].head()

output

那既然用到了startswith方法，那么就会有endswith方法，例如

df['col_name'].str.endswith('2019')

除此之外还有这些方法可以用来筛选文本数据

• df['col_name'].str.len()>10
• df['col_name'].str.isnumeric()
• df[col_name].str.isupper()
• df[col_name].str.islower()