4.pandas数据查询

博主： huoyu
发布时间：2022 年 12 月 14 日
321 次浏览
暂无评论
7957字数
分类： Pandas

这里是ipynb格式：[4.pandas数据查询.html](http://type.zimopy.com/usr/uploads/2022/12/3933926259.html)

</div>

下面是md格式

# Pandas查询数据

按数值、列表、区间、条件、函数五种

# Pandas查询数据的几种方法

1. df.loc方法，根据行、列的标签值查询
2. df.iloc方法，根据行、列的数字位置查询
3. df.where方法
4. df.query方法

.loc既能查询，又能覆盖写入

# Pandas使用df.loc查询数据的方法

1. 使用单个lable值查询数据
2. 使用值列表批量查询
3. 使用数值区间进行范围查询
4. 使用条件表达式查询
5. 调用函数查询

# 注意

以上查询方法，既适用于行，也适用于列

注意观察降维dataFram>Series>值

```python
import pandas as pd
```

# 1.读取数据

数据为北京2018年全年天气预报

```python
df = pd.read_csv("../datas/beijing_tianqi/beijing_tianqi_2018.csv")
df.head()
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>ymd</th>
      <th>bWendu</th>
      <th>yWendu</th>
      <th>tianqi</th>
      <th>fengxiang</th>
      <th>fengli</th>
      <th>aqi</th>
      <th>aqiInfo</th>
      <th>aqiLevel</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>2018-01-01</td>
      <td>3℃</td>
      <td>-6℃</td>
      <td>晴~多云</td>
      <td>东北风</td>
      <td>1-2级</td>
      <td>59</td>
      <td>良</td>
      <td>2</td>
    </tr>
    <tr>
      <th>1</th>
      <td>2018-01-02</td>
      <td>2℃</td>
      <td>-5℃</td>
      <td>阴~多云</td>
      <td>东北风</td>
      <td>1-2级</td>
      <td>49</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2</th>
      <td>2018-01-03</td>
      <td>2℃</td>
      <td>-5℃</td>
      <td>多云</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>3</th>
      <td>2018-01-04</td>
      <td>0℃</td>
      <td>-8℃</td>
      <td>阴</td>
      <td>东北风</td>
      <td>1-2级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>4</th>
      <td>2018-01-05</td>
      <td>3℃</td>
      <td>-6℃</td>
      <td>多云~晴</td>
      <td>西北风</td>
      <td>1-2级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
  </tbody>
</table>
</div>

## 设定索引为日期，方便按日期筛选

```python
df.set_index("ymd",inplace=True)
#  参数解释
# 主要参数：
# keys：需要设置为index的列名
# drop：True or False。将某列设置为index后，是否删除原来的该列。默认为True，即删除（Delete columns to be used as the new index.）
# append：True or False。新的index设置之后，是否要删除原来的index。默认为True。（Whether to append columns to existing index.）
# inplace：True or False。是否要用新的DataFrame取代原来的DataFrame。默认False，即不取代
```

```python
# 时间序列见后面课程
df.index
```

Index(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04', '2018-01-05',
'2018-01-06', '2018-01-07', '2018-01-08', '2018-01-09', '2018-01-10',
...
'2018-12-22', '2018-12-23', '2018-12-24', '2018-12-25', '2018-12-26',
'2018-12-27', '2018-12-28', '2018-12-29', '2018-12-30', '2018-12-31'],
dtype='object', name='ymd', length=365)

```python
df.head()
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

## 替换掉温度的后缀℃

```python

df.loc[:,"bWendu"] = df["bWendu"].str.replace("℃","").astype("int32")
df.loc[:,"yWendu"] = df["yWendu"].str.replace("℃","").astype("int32")

#拓展
# 以下是一些使用示例:
# df.index.astype('int64') # 索引类型转换
# df.astype('int32') # 所有数据转换为int32
# df.astype({'col1':'int32'}) # 指定字段转指定类型
# s.astype('int64')
# s.astype('int64',copy = False) # 不与原数据关联
# df['name'].astype('object')
# data['Q4'].astype('float')
# s.astype('datatime64[ns]') # 转为时间类型
# data['状态'].astype('bool')
```

```python
df.dtypes
```

bWendu        int32
yWendu        int32
tianqi       object
fengxiang    object
fengli       object
aqi           int64
aqiInfo      object
aqiLevel      int64
dtype: object

```python
df
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

# 2.使用单个lable值查询数据

行或者都可以只传入单个值，实现精确匹配

## 得到单个值

```python
df.loc["2018-01-03","bWendu"]
```

## 得到一个Series

```python
df.loc["2018-01-03",["bWendu","yWendu"]]
```

bWendu     2
yWendu    -5
Name: 2018-01-03, dtype: object

# 3.使用值列表批量查询

## 得到Series

```python
df.loc[["2018-01-04","2018-01-05","2018-01-05"],"bWendu"]
```

ymd
2018-01-04    0
2018-01-05    3
2018-01-05    3
Name: bWendu, dtype: int32

## 得到DateFrame

```python
df.loc[["2018-01-03","2018-01-04","2018-01-05"],["bWendu","yWendu"]]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>bWendu</th>
      <th>yWendu</th>
    </tr>
    <tr>
      <th>ymd</th>
      <th></th>
      <th></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>2018-01-03</th>
      <td>2</td>
      <td>-5</td>
    </tr>
    <tr>
      <th>2018-01-04</th>
      <td>0</td>
      <td>-8</td>
    </tr>
    <tr>
      <th>2018-01-05</th>
      <td>3</td>
      <td>-6</td>
    </tr>
  </tbody>
</table>
</div>

# 4.使用数值区间进行范围查询

注意：区间即包括开始，也包含结束

## 行index按区间

```python
df.loc["2018-01-03":"2018-01-05","bWendu"]
```

ymd
2018-01-03    2
2018-01-04    0
2018-01-05    3
Name: bWendu, dtype: int32

## 列index按区间

```python
df.loc["2018-01-03","bWendu":"fengxiang"]
```

bWendu        2
yWendu       -5
tianqi       多云
fengxiang    北风
Name: 2018-01-03, dtype: object

## 行和列都按区间查询

```python
df.loc["2018-01-03":"2018-01-05","bWendu":"fengxiang"]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>bWendu</th>
      <th>yWendu</th>
      <th>tianqi</th>
      <th>fengxiang</th>
    </tr>
    <tr>
      <th>ymd</th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>2018-01-03</th>
      <td>2</td>
      <td>-5</td>
      <td>多云</td>
      <td>北风</td>
    </tr>
    <tr>
      <th>2018-01-04</th>
      <td>0</td>
      <td>-8</td>
      <td>阴</td>
      <td>东北风</td>
    </tr>
    <tr>
      <th>2018-01-05</th>
      <td>3</td>
      <td>-6</td>
      <td>多云~晴</td>
      <td>西北风</td>
    </tr>
  </tbody>
</table>
</div>

# 4.条件表达式查询

bool列表的长度得等于行数或者列数

## 简单条件查询，最低温度低于-10度的列表

```python
df.loc[df["yWendu"]<-10,:]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

## 观察boolean条件

```python
df["yWendu"]<-10
```

ymd
2018-01-01    False
2018-01-02    False
2018-01-03    False
2018-01-04    False
2018-01-05    False
...
2018-12-27     True
2018-12-28     True
2018-12-29     True
2018-12-30     True
2018-12-31    False
Name: yWendu, Length: 365, dtype: bool

## 复杂条件查询

> 注意，组合条件用&符号合并，每个条件判断都得 **带括号

```python
# 查询最高温度小于30度，并且最低温度大于15度，还得是晴天。天气为优的数据
# 多个参数查询，可以先把格式写好，比如我们查询的是所有列df.loc[,:]然后在,号前面写条件表达式
df.loc[(df["bWendu"]<=30)&(df["yWendu"]>=15)&(df["tianqi"]=="晴")&(df["aqiLevel"]==1),:]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
# 再次观察这里的boolean条件
(df["bWendu"]<=30)&(df["yWendu"]>=15)&(df["tianqi"]=="晴")&(df["aqiLevel"]==1)
```

ymd
2018-01-01    False
2018-01-02    False
2018-01-03    False
2018-01-04    False
2018-01-05    False
...
2018-12-27    False
2018-12-28    False
2018-12-29    False
2018-12-30    False
2018-12-31    False
Length: 365, dtype: bool

# 5.调用函数查询

```python
# lambda表达式

# lambda：输入是传入到参数列表x的值，输出是根据表达式(expression)计算得到的值。
# 比如：lambda x, y: xy #函数输入是x和y，输出是它们的积xy
# lambda x :x[-2:] #x是字符串时，输出字符串的后两位
# lambda x :func #输入 x,通过函数计算后返回结果
# lambda x: ‘%.2f’ % x # 对结果保留两位小数

df.loc[lambda row:(df["bWendu"]<=30)&(df["yWendu"]>=15),:]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>bWendu</th>
      <th>yWendu</th>
      <th>tianqi</th>
      <th>fengxiang</th>
      <th>fengli</th>
      <th>aqi</th>
      <th>aqiInfo</th>
      <th>aqiLevel</th>
    </tr>
    <tr>
      <th>ymd</th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>2018-04-28</th>
      <td>27</td>
      <td>17</td>
      <td>晴</td>
      <td>西南风</td>
      <td>3-4级</td>
      <td>125</td>
      <td>轻度污染</td>
      <td>3</td>
    </tr>
    <tr>
      <th>2018-04-29</th>
      <td>30</td>
      <td>16</td>
      <td>多云</td>
      <td>南风</td>
      <td>3-4级</td>
      <td>193</td>
      <td>中度污染</td>
      <td>4</td>
    </tr>
    <tr>
      <th>2018-05-04</th>
      <td>27</td>
      <td>16</td>
      <td>晴~多云</td>
      <td>西南风</td>
      <td>1-2级</td>
      <td>86</td>
      <td>良</td>
      <td>2</td>
    </tr>
    <tr>
      <th>2018-05-09</th>
      <td>29</td>
      <td>17</td>
      <td>晴~多云</td>
      <td>西南风</td>
      <td>3-4级</td>
      <td>79</td>
      <td>良</td>
      <td>2</td>
    </tr>
    <tr>
      <th>2018-05-10</th>
      <td>26</td>
      <td>18</td>
      <td>多云</td>
      <td>南风</td>
      <td>3-4级</td>
      <td>118</td>
      <td>轻度污染</td>
      <td>3</td>
    </tr>
    <tr>
      <th>...</th>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
    </tr>
    <tr>
      <th>2018-09-15</th>
      <td>26</td>
      <td>15</td>
      <td>多云</td>
      <td>北风</td>
      <td>3-4级</td>
      <td>42</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-17</th>
      <td>27</td>
      <td>17</td>
      <td>多云~阴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>37</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-18</th>
      <td>25</td>
      <td>17</td>
      <td>阴~多云</td>
      <td>西南风</td>
      <td>1-2级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-19</th>
      <td>26</td>
      <td>17</td>
      <td>多云</td>
      <td>南风</td>
      <td>1-2级</td>
      <td>52</td>
      <td>良</td>
      <td>2</td>
    </tr>
    <tr>
      <th>2018-09-20</th>
      <td>27</td>
      <td>16</td>
      <td>多云</td>
      <td>西南风</td>
      <td>1-2级</td>
      <td>63</td>
      <td>良</td>
      <td>2</td>
    </tr>
  </tbody>
</table>
<p>64 rows × 8 columns</p>
</div>

```python
# 查询9月份，空气质量好的数据

def query_data(df):
    return (df.index.str.startswith("2018-09")) & (df["aqiLevel"]==1)      # startswith：这个是字符串开始的匹配方式
# query_data(df) # 查看条件返回数据 
df.loc[query_data,:]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>bWendu</th>
      <th>yWendu</th>
      <th>tianqi</th>
      <th>fengxiang</th>
      <th>fengli</th>
      <th>aqi</th>
      <th>aqiInfo</th>
      <th>aqiLevel</th>
    </tr>
    <tr>
      <th>ymd</th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>2018-09-01</th>
      <td>27</td>
      <td>19</td>
      <td>阴~小雨</td>
      <td>南风</td>
      <td>1-2级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-04</th>
      <td>31</td>
      <td>18</td>
      <td>晴</td>
      <td>西南风</td>
      <td>3-4级</td>
      <td>24</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-05</th>
      <td>31</td>
      <td>19</td>
      <td>晴~多云</td>
      <td>西南风</td>
      <td>3-4级</td>
      <td>34</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-06</th>
      <td>27</td>
      <td>18</td>
      <td>多云~晴</td>
      <td>西北风</td>
      <td>4-5级</td>
      <td>37</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-07</th>
      <td>27</td>
      <td>16</td>
      <td>晴</td>
      <td>西北风</td>
      <td>3-4级</td>
      <td>22</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-08</th>
      <td>27</td>
      <td>15</td>
      <td>多云~晴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-15</th>
      <td>26</td>
      <td>15</td>
      <td>多云</td>
      <td>北风</td>
      <td>3-4级</td>
      <td>42</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-16</th>
      <td>25</td>
      <td>14</td>
      <td>多云~晴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>29</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-17</th>
      <td>27</td>
      <td>17</td>
      <td>多云~阴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>37</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-18</th>
      <td>25</td>
      <td>17</td>
      <td>阴~多云</td>
      <td>西南风</td>
      <td>1-2级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-21</th>
      <td>25</td>
      <td>14</td>
      <td>晴</td>
      <td>西北风</td>
      <td>3-4级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-22</th>
      <td>24</td>
      <td>13</td>
      <td>晴</td>
      <td>西北风</td>
      <td>3-4级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-23</th>
      <td>23</td>
      <td>12</td>
      <td>晴</td>
      <td>西北风</td>
      <td>4-5级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-24</th>
      <td>23</td>
      <td>11</td>
      <td>晴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-25</th>
      <td>24</td>
      <td>12</td>
      <td>晴~多云</td>
      <td>南风</td>
      <td>1-2级</td>
      <td>44</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-29</th>
      <td>22</td>
      <td>11</td>
      <td>晴</td>
      <td>北风</td>
      <td>3-4级</td>
      <td>21</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-30</th>
      <td>19</td>
      <td>13</td>
      <td>多云</td>
      <td>西北风</td>
      <td>4-5级</td>
      <td>22</td>
      <td>优</td>
      <td>1</td>
    </tr>
  </tbody>
</table>
</div>

下载案例数据集

<div class="hideContent">此处内容需要评论回复后（审核通过）方可阅读。</div>

最后修改：2022 年 12 月 14 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱

地址

4.pandas数据查询

huoyu • 2022 年 12 月 14 日

这里是ipynb格式：[4.pandas数据查询.html](http://type.zimopy.com/usr/uploads/2022/12/3933926259.html)

</div>

下面是md格式

# Pandas查询数据

按数值、列表、区间、条件、函数五种

# Pandas查询数据的几种方法

1. df.loc方法，根据行、列的标签值查询
2. df.iloc方法，根据行、列的数字位置查询
3. df.where方法
4. df.query方法

.loc既能查询，又能覆盖写入

# Pandas使用df.loc查询数据的方法

1. 使用单个lable值查询数据
2. 使用值列表批量查询
3. 使用数值区间进行范围查询
4. 使用条件表达式查询
5. 调用函数查询

# 注意

以上查询方法，既适用于行，也适用于列

注意观察降维dataFram>Series>值

```python
import pandas as pd
```

# 1.读取数据

数据为北京2018年全年天气预报

```python
df = pd.read_csv("../datas/beijing_tianqi/beijing_tianqi_2018.csv")
df.head()
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

## 设定索引为日期，方便按日期筛选

```python
# 时间序列见后面课程
df.index
```

```python
df.head()
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

## 替换掉温度的后缀℃

```python

df.loc[:,"bWendu"] = df["bWendu"].str.replace("℃","").astype("int32")
df.loc[:,"yWendu"] = df["yWendu"].str.replace("℃","").astype("int32")

```python
df.dtypes
```

bWendu        int32
yWendu        int32
tianqi       object
fengxiang    object
fengli       object
aqi           int64
aqiInfo      object
aqiLevel      int64
dtype: object

```python
df
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

# 2.使用单个lable值查询数据

行或者都可以只传入单个值，实现精确匹配

## 得到单个值

```python
df.loc["2018-01-03","bWendu"]
```

## 得到一个Series

```python
df.loc["2018-01-03",["bWendu","yWendu"]]
```

bWendu     2
yWendu    -5
Name: 2018-01-03, dtype: object

# 3.使用值列表批量查询

## 得到Series

```python
df.loc[["2018-01-04","2018-01-05","2018-01-05"],"bWendu"]
```

ymd
2018-01-04    0
2018-01-05    3
2018-01-05    3
Name: bWendu, dtype: int32

## 得到DateFrame

```python
df.loc[["2018-01-03","2018-01-04","2018-01-05"],["bWendu","yWendu"]]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

# 4.使用数值区间进行范围查询

注意：区间即包括开始，也包含结束

## 行index按区间

```python
df.loc["2018-01-03":"2018-01-05","bWendu"]
```

ymd
2018-01-03    2
2018-01-04    0
2018-01-05    3
Name: bWendu, dtype: int32

## 列index按区间

```python
df.loc["2018-01-03","bWendu":"fengxiang"]
```

bWendu        2
yWendu       -5
tianqi       多云
fengxiang    北风
Name: 2018-01-03, dtype: object

## 行和列都按区间查询

```python
df.loc["2018-01-03":"2018-01-05","bWendu":"fengxiang"]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

# 4.条件表达式查询

bool列表的长度得等于行数或者列数

## 简单条件查询，最低温度低于-10度的列表

```python
df.loc[df["yWendu"]<-10,:]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

## 观察boolean条件

```python
df["yWendu"]<-10
```

## 复杂条件查询

> 注意，组合条件用&符号合并，每个条件判断都得 **带括号

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
# 再次观察这里的boolean条件
(df["bWendu"]<=30)&(df["yWendu"]>=15)&(df["tianqi"]=="晴")&(df["aqiLevel"]==1)
```

# 5.调用函数查询

```python
# lambda表达式

df.loc[lambda row:(df["bWendu"]<=30)&(df["yWendu"]>=15),:]
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

```python
# 查询9月份，空气质量好的数据

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
vertical-align: top;
}

.dataframe thead th {
text-align: right;
}
</style>

<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>bWendu</th>
      <th>yWendu</th>
      <th>tianqi</th>
      <th>fengxiang</th>
      <th>fengli</th>
      <th>aqi</th>
      <th>aqiInfo</th>
      <th>aqiLevel</th>
    </tr>
    <tr>
      <th>ymd</th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
      <th></th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>2018-09-01</th>
      <td>27</td>
      <td>19</td>
      <td>阴~小雨</td>
      <td>南风</td>
      <td>1-2级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-04</th>
      <td>31</td>
      <td>18</td>
      <td>晴</td>
      <td>西南风</td>
      <td>3-4级</td>
      <td>24</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-05</th>
      <td>31</td>
      <td>19</td>
      <td>晴~多云</td>
      <td>西南风</td>
      <td>3-4级</td>
      <td>34</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-06</th>
      <td>27</td>
      <td>18</td>
      <td>多云~晴</td>
      <td>西北风</td>
      <td>4-5级</td>
      <td>37</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-07</th>
      <td>27</td>
      <td>16</td>
      <td>晴</td>
      <td>西北风</td>
      <td>3-4级</td>
      <td>22</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-08</th>
      <td>27</td>
      <td>15</td>
      <td>多云~晴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-15</th>
      <td>26</td>
      <td>15</td>
      <td>多云</td>
      <td>北风</td>
      <td>3-4级</td>
      <td>42</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-16</th>
      <td>25</td>
      <td>14</td>
      <td>多云~晴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>29</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-17</th>
      <td>27</td>
      <td>17</td>
      <td>多云~阴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>37</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-18</th>
      <td>25</td>
      <td>17</td>
      <td>阴~多云</td>
      <td>西南风</td>
      <td>1-2级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-21</th>
      <td>25</td>
      <td>14</td>
      <td>晴</td>
      <td>西北风</td>
      <td>3-4级</td>
      <td>50</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-22</th>
      <td>24</td>
      <td>13</td>
      <td>晴</td>
      <td>西北风</td>
      <td>3-4级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-23</th>
      <td>23</td>
      <td>12</td>
      <td>晴</td>
      <td>西北风</td>
      <td>4-5级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-24</th>
      <td>23</td>
      <td>11</td>
      <td>晴</td>
      <td>北风</td>
      <td>1-2级</td>
      <td>28</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-25</th>
      <td>24</td>
      <td>12</td>
      <td>晴~多云</td>
      <td>南风</td>
      <td>1-2级</td>
      <td>44</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-29</th>
      <td>22</td>
      <td>11</td>
      <td>晴</td>
      <td>北风</td>
      <td>3-4级</td>
      <td>21</td>
      <td>优</td>
      <td>1</td>
    </tr>
    <tr>
      <th>2018-09-30</th>
      <td>19</td>
      <td>13</td>
      <td>多云</td>
      <td>西北风</td>
      <td>4-5级</td>
      <td>22</td>
      <td>优</td>
      <td>1</td>
    </tr>
  </tbody>
</table>
</div>

下载案例数据集

<div class="hideContent">此处内容需要评论回复后（审核通过）方可阅读。</div>

4.pandas数据查询

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

速注册OpenAi（ChatGPT），国内也可以

Frida 代码自动补全

ubuntu 实现内网穿透

最新Fiddler Web Debugger v5.0 20202.18177中文版

windows一键启动雷电模拟器的frida-server

Typora激活

Supervisor（守护进程）的使用

PowerShell 执行策略 about_Execution_Policies

易语言多线程日志写出

js逆向补环境-调试工具vscode与nodejs使用之无环境联调

4.pandas数据查询

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

4.pandas数据查询

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款