Python实用技巧：Pandas--DataFrame--筛选和删除含特定值的行与列
Python实用技巧：Pandas–DataFrame–筛选和删除含特定值的行与列
🌈 个人主页：高斯小哥
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程 👈 希望得到您的订阅和支持~
💡 创作高质量博文，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）
🌵文章目录🌵
- 一、基础知识回顾 📚
- 二、筛选含有特定值的行 🔍
- 三、删除含有特定值的行 🗑️
- 四、筛选含有特定值的列 🔎
- 五、删除含有特定值的列 🗑️
- 六、实战演练 🚀
- 七、最后 🤝
👋🏼欢迎来到我的技术博客！今天我们将一起探讨如何在Python的Pandas库中，使用DataFrame来筛选和删除含有特定值的行与列。Pandas是Python中一个非常强大的数据分析库，它提供了大量的功能来帮助我们高效地处理和分析数据。
关键词：#Pandas #DataFrame #筛选特定值 #删除特定值 #布尔索引 #drop方法 #实战演练 #数据处理
一、基础知识回顾 📚
在开始之前，让我们先回顾一下Pandas DataFrame的基础知识。DataFrame是Pandas中的一个核心数据结构，它可以看作是一个表格，拥有行和列，可以存储不同类型的数据。示例如下：
import pandas as pd # 创建一个简单的DataFrame data = { 'Name': ['Alice', 'Bob', 'Charlie', 'David'], 'Age': [25, 30, 35, 40], 'City': ['New York', 'Los Angeles', 'Chicago', 'Houston'] } df = pd.DataFrame(data) print(df) 输出：
Name Age City 0 Alice 25 New York 1 Bob 30 Los Angeles 2 Charlie 35 Chicago 3 David 40 Houston 二、筛选含有特定值的行 🔍
在Pandas中，我们可以使用布尔索引来筛选含有特定值的行。布尔索引就是根据每个元素是否满足某个条件（返回True或False）来筛选数据。
# 筛选年龄大于30的行 df_filtered = df[df['Age'] > 30] print(df_filtered) 上面的代码会筛选出年龄大于30的行，并返回一个新的DataFrame：
Name Age City 2 Charlie 35 Chicago 3 David 40 Houston 三、删除含有特定值的行 🗑️
如果我们想从原始DataFrame中删除满足某个条件的行，可以使用drop方法。
# 删除年龄大于30的行 df_dropped = df.drop(df[df['Age'] > 30].index) print(df[df['Age'] > 30].index) print("*"*30) print(df_dropped) 上面的代码会删除年龄大于30的行，并返回一个新的DataFrame：
Index([2, 3], dtype='int64') ****************************** Name Age City 0 Alice 25 New York 1 Bob 30 Los Angeles 四、筛选含有特定值的列 🔎
同样地，我们也可以筛选含有特定值的列。
# 筛选城市为"Chicago"的列 df_filtered_columns = df[df['City'] == 'Chicago'] print(df['City'] == 'Chicago') print("*"*30) print(df_filtered_columns) 上面的代码会筛选出城市为"Chicago"的列，并返回一个新的DataFrame：
0 False 1 False 2 True 3 False Name: City, dtype: bool ****************************** Name Age City 2 Charlie 35 Chicago 五、删除含有特定值的列 🗑️
要删除含有特定值的列，我们可以使用drop方法，并指定columns参数。
# 删除城市为"Chicago"的列 df_dropped_columns = df.drop(columns=['City']) print(df_dropped_columns) 上面的代码会删除城市列，并返回一个新的DataFrame：
Name Age 0 Alice 25 1 Bob 30 2 Charlie 35 3 David 40 注意：筛选和删除操作默认返回的是一个新的DataFrame，不会改变原始的DataFrame。
六、实战演练 🚀
假设我们有一个包含学生信息的DataFrame，我们要筛选出年龄大于15且城市为"New York"的学生。
import pandas as pd # 创建一个包含学生信息的DataFrame student_data = { 'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve', 'Frank'], 'Age': [22, 25, 18, 28, 21, 27], 'City': ['New York', 'Los Angeles', 'Chicago', 'Houston', 'New York', 'San Francisco'] } student_df = pd.DataFrame(student_data) print("原始DataFrame:") print(student_df) # 筛选年龄大于1且5城市为"New York"的学生 filtered_students = student_df[(student_df['Age'] > 15) & (student_df['City'] == 'New York')] print("\n筛选后的DataFrame:") print(filtered_students) 上面的代码会筛选出年龄大于15且城市为"New York"的学生，并打印出筛选后的DataFrame：
原始DataFrame: Name Age City 0 Alice 22 New York 1 Bob 25 Los Angeles 2 Charlie 18 Chicago 3 David 28 Houston 4 Eve 21 New York 5 Frank 27 San Francisco 筛选后的DataFrame: Name Age City 0 Alice 22 New York 4 Eve 21 New York 七、最后 🤝
亲爱的读者，感谢您每一次停留和阅读，这是对我们最大的支持和鼓励！🙏在茫茫网海中，您的关注让我们深感荣幸。您的独到见解和建议，如明灯照亮我们前行的道路。🌟若在阅读中有所收获，一个赞或收藏，对我们意义重大。
我们承诺，会不断自我挑战，为您呈现更精彩的内容。📚有任何疑问或建议，欢迎在评论区畅所欲言，我们时刻倾听。💬让我们携手在知识的海洋中航行，共同成长，共创辉煌！🌱🌳感谢您的厚爱与支持，期待与您共同书写精彩篇章！
您的点赞👍、收藏🌟、评论💬和关注💖，是我们前行的最大动力！
🎉 感谢阅读，祝你编程愉快！ 🎉