Skip to main content

3.3.4 数据选择与过滤

本节定位

很多新人第一次学 Pandas 时，最早会卡住的通常不是清洗，而是：

  • 我到底怎么把想要的那部分数据挑出来？

所以这节最重要的不是记住所有写法，而是先建立一个判断：

我是按标签取、按位置取，还是按条件筛？

学习目标​

  • 掌握 loc（标签索引）和 iloc（位置索引）
  • 学会使用布尔索引进行条件过滤
  • 掌握 query() 方法
  • 学会多条件组合筛选

先建立一张地图​

数据选择与过滤更适合按“我要选谁”来理解：

Pandas 数据选择与过滤地图

所以这节真正想解决的是：

  • 不同场景下到底该先想到 loc、iloc 还是布尔索引
  • 为什么很多 Pandas 题的第一步都是“先把要看的数据选出来”

准备示例数据​

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "姓名": ["张三", "李四", "王五", "赵六", "钱七", "孙八"],
    "年龄": [22, 28, 25, 35, 21, 30],
    "部门": ["技术", "市场", "技术", "管理", "技术", "市场"],
    "薪资": [15000, 18000, 22000, 35000, 12000, 20000],
    "入职年份": [2023, 2020, 2021, 2018, 2024, 2019]
})
print(df)

一个更适合新人的总类比​

你可以把这一节理解成：

  • 在一张很大的表里找你真正要看的那几行几列

也就是说，这节最核心的不是“写法多”，而是：

  • 先搞清你是按名字找
  • 还是按位置找
  • 还是按条件筛

loc：标签索引​

loc 用标签（名称） 来定位数据，格式：df.loc[行标签, 列标签]

第一次学 loc，最该先记什么？​

最值得先记的是：

loc 是按“名字和标签”在选。

也就是说，它更像：

  • 我知道我要哪一列、哪一段标签范围
# 取单行
print(df.loc[0])         # 第一行（标签为 0 的行）

# 取多行
print(df.loc[0:2])       # 标签 0 到 2（包含 2！）

# 取特定行和列
print(df.loc[0, "姓名"])          # "张三"
print(df.loc[0:2, "姓名"])       # 前 3 行的姓名
print(df.loc[0:2, ["姓名", "薪资"]])  # 前 3 行的姓名和薪资

# 取所有行的某些列
print(df.loc[:, ["姓名", "年龄"]])

# 条件筛选（最常用！）
print(df.loc[df["年龄"] > 25])    # 年龄大于 25 的所有行

iloc：位置索引​

iloc 用位置（整数） 来定位数据，和 Python 列表的切片规则一致：

第一次学 iloc，最该先记什么？​

最值得先记的是：

iloc 是按“第几行第几列”在选。

所以它更像：

  • 你拿着坐标去表里取值
# 取单行
print(df.iloc[0])        # 第一行

# 取多行（不包含末尾！和 Python 一致）
print(df.iloc[0:3])      # 第 0、1、2 行

# 取特定位置
print(df.iloc[0, 0])     # 第 0 行第 0 列 → "张三"
print(df.iloc[0:3, 0:2]) # 前 3 行、前 2 列
print(df.iloc[[0, 2, 4]])  # 第 0、2、4 行

# 取最后一行
print(df.iloc[-1])

loc vs iloc 对比​

特性lociloc
索引方式标签（名称）位置（整数）
切片末尾包含不包含
示例df.loc[0:2] → 3 行df.iloc[0:2] → 2 行
条件筛选✅ 支持❌ 不支持
最常见的坑

当索引是默认的 0, 1, 2... 时，loc[0:2] 返回 3 行，iloc[0:2] 返回 2 行。

print(len(df.loc[0:2]))    # 3  （包含标签 2）
print(len(df.iloc[0:2]))   # 2  （不包含位置 2）

一个很适合初学者先记的选择表​

你的想法更稳的第一反应
我知道列名或标签loc
我只知道第几行第几列iloc
我要按某个条件筛人或筛订单布尔索引
条件很长、想写得更像一句话query()

这个表很适合新人，因为它会把“到底用哪个”直接变成一个可判断的问题。

布尔索引：条件筛选​

这是数据分析中使用最频繁的操作：

为什么布尔索引这么重要？​

因为真实分析题里你最常做的事情往往就是：

  • 找出金额大于某值的订单
  • 找出某部门的人
  • 找出满足两三个条件的子集

也就是说，很多分析真正开始的第一步，就是：

  • 先筛出你要分析的那部分数据

单条件筛选​

# 薪资大于 20000 的员工
high_salary = df[df["薪资"] > 20000]
print(high_salary)

# 部门是"技术"的员工
tech = df[df["部门"] == "技术"]
print(tech)

# 年龄不等于 22 的员工
print(df[df["年龄"] != 22])

多条件组合​

# 技术部门且薪资大于 15000（用 & 表示 AND）
result = df[(df["部门"] == "技术") & (df["薪资"] > 15000)]
print(result)

# 技术部门或管理部门（用 | 表示 OR）
result = df[(df["部门"] == "技术") | (df["部门"] == "管理")]
print(result)

# 取反（用 ~ 表示 NOT）
result = df[~(df["部门"] == "技术")]  # 非技术部门
print(result)
多条件必须加括号

和 NumPy 一样，每个条件必须加括号，用 & | ~ 而不是 and or not。

# ❌ 错误
df[df["年龄"] > 25 and df["薪资"] > 20000]

# ✅ 正确
df[(df["年龄"] > 25) & (df["薪资"] > 20000)]

isin：匹配多个值​

# 部门在 ["技术", "市场"] 中的员工
result = df[df["部门"].isin(["技术", "市场"])]
print(result)

# 反向：不在这些部门中
result = df[~df["部门"].isin(["技术", "市场"])]
print(result)

between：范围筛选​

# 年龄在 22~30 之间（包含两端）
result = df[df["年龄"].between(22, 30)]
print(result)

字符串条件​

# 姓名包含"三"
result = df[df["姓名"].str.contains("三")]

# 姓名以"张"开头
result = df[df["姓名"].str.startswith("张")]

第一次做筛选题时，最稳的默认顺序​

更稳的顺序通常是：

  1. 先问自己按标签选、按位置选，还是按条件筛
  2. 条件简单时先用布尔索引
  3. 条件很长时再考虑 query()
  4. 最后再组合取列和取行

这样会比一上来就把几种写法混着用更不容易乱。

query() 方法​

query() 让你用更接近自然语言的方式筛选数据：

# 等价于 df[df["薪资"] > 20000]
result = df.query("薪资 > 20000")
print(result)

# 多条件
result = df.query("部门 == '技术' and 薪资 > 15000")
print(result)

# 用变量
min_salary = 20000
result = df.query("薪资 > @min_salary")  # @引用外部变量
print(result)

# 范围查询
result = df.query("22 <= 年龄 <= 30")
print(result)
什么时候用 query()？
  • 条件简单时：布尔索引 df[df["col"] > 5] 更直接
  • 条件复杂时：query() 更可读，尤其是多条件组合
  • 需要引用变量时：query("col > @var") 很方便

选择特定数据的方法总结​

一个新人可直接照抄的数据选择检查表​

第一次做 Pandas 筛选题时，最稳的检查表通常是：

  1. 我是想选列、选行，还是同时选行和列？
  2. 我是按标签、按位置，还是按条件？
  3. 条件有没有加括号？
  4. 结果是不是我以为的那几行几列？

这 4 个问题答清楚后，很多筛选题都会顺很多。

实战：数据筛选​

import pandas as pd
import numpy as np

# 创建一份电商订单数据
rng = np.random.default_rng(seed=42)
n = 100
orders = pd.DataFrame({
    "订单ID": range(1001, 1001 + n),
    "客户": rng.choice(["Alice", "Bob", "Charlie", "Diana", "Eve"], n),
    "商品类别": rng.choice(["电子", "服装", "食品", "图书"], n),
    "金额": rng.integers(10, 500, n),
    "数量": rng.integers(1, 10, n),
    "是否退货": rng.choice([True, False], n, p=[0.1, 0.9])
})

# 查看数据
print(orders.head(10))
print(orders.info())

# 筛选练习
# 1. 金额大于 300 的订单
print(orders[orders["金额"] > 300])

# 2. Alice 购买的电子产品
print(orders.query("客户 == 'Alice' and 商品类别 == '电子'"))

# 3. 未退货且金额前 10 的订单
not_returned = orders[~orders["是否退货"]]
top10 = not_returned.nlargest(10, "金额")
print(top10[["订单ID", "客户", "金额"]])

动手练习​

练习 1：基本筛选​

# 用上面的 orders 数据
# 1. 找出所有退货的订单
# 2. 找出金额在 100~200 之间的订单数量
# 3. 找出购买"图书"或"食品"类别的订单
# 4. 找出 Bob 的非退货订单的平均金额

练习 2：综合筛选​

# 1. 每个客户的最大订单金额是多少？（提示：先筛选再统计）
# 2. 哪些客户有退货记录？
# 3. 金额排名前 5% 的订单有哪些？（提示：用 quantile）

这节最该带走什么​

  • loc 按标签，iloc 按位置，布尔索引按条件
  • 很多真实分析题，第一步都不是算，而是先筛
  • 先把“我要选谁”想清楚，再写代码，会比死记写法更稳