您还可以利用numpy库进行逻辑操作。它相当快。

df[np.logical_and(df['A'] == 1 ,df['B'] == 6)]

这是没有吸引力的，因为它要求我分配df到一个变量，然后才能过滤它的值。

df[df["column_name"] != 5].groupby("other_column_name")

似乎可以工作:你也可以嵌套[]操作符。也许是因为你问了这个问题。

所以我的看法是，在对数据进行细分以备分析时，你要做两件事。

就行 获得列

Pandas有很多方法来实现这些，还有一些技术可以帮助获取行和列。对于熊猫的新用户来说，选择太多了，可能会感到困惑。

你使用iloc, loc，括号，查询，isin, np。在哪里，面具等等…

方法链接

方法链接是处理数据争执的好方法。在R中，它们有一种简单的方法来做到这一点，你选择()列和过滤()行。

因此，如果我们想在Pandas中保持简单，为什么不对列使用filter()，对行使用query()呢?它们都返回数据框架，所以不需要在布尔索引上添乱，不需要在返回值周围添加df[]。

那它看起来像什么呢? -

df.filter(['col1', 'col2', 'col3']).query("col1 == 'sometext'")

然后你可以链上任何其他方法，如groupby, dropna()， sort_values()， reset_index()等。

通过保持一致并使用filter()来获取列，使用query()来获取行，当一段时间后回到代码时，将更容易阅读您的代码。

但是过滤器可以选择行吗?

是的，这是真的，但默认情况下query()获取行和filter()获取列。因此，如果您坚持使用默认值，则不需要使用axis=参数。

查询()

Query()可以同时使用和/或&/|，你也可以使用比较运算符>，<，>=，<=，==，!=。你也可以使用Python in，而不是in。

您可以使用@my_list将一个列表传递给查询

一些使用查询获取行的示例

df.query('A > B')

df.query('a not in b')

df.query("series == '2206'")

df.query("col1 == @mylist")

df.query('Salary_in_1000 >= 100 & Age < 60 & FT_Team.str.startswith("S").values')

filter ()

所以filter基本上就像使用方括号df[]或df[[]]，因为它使用标签来选择列。但它不仅仅是括号符号。

过滤器有like= param，以帮助选择有部分名称的列。

df.filter(like='partial_name',)

过滤器也有正则表达式来帮助选择

df.filter(regex='reg_string')

综上所述，这种工作方式可能并不适用于任何情况，例如，如果你想使用索引/切片，那么iloc是正确的选择。但这似乎是一种可靠的工作方式，可以简化您的工作流程和代码。

如果将列设置为作为索引进行搜索，则可以使用DataFrame.xs()获取横截面。这没有查询答案那么通用，但在某些情况下可能很有用。

import pandas as pd
import numpy as np

np.random.seed([3,1415])
df = pd.DataFrame(
    np.random.randint(3, size=(10, 5)),
    columns=list('ABCDE')
)

df
# Out[55]: 
#    A  B  C  D  E
# 0  0  2  2  2  2
# 1  1  1  2  0  2
# 2  0  2  0  0  2
# 3  0  2  2  0  1
# 4  0  1  1  2  0
# 5  0  0  0  1  2
# 6  1  0  1  1  1
# 7  0  0  2  0  2
# 8  2  2  2  2  2
# 9  1  2  0  2  1

df.set_index(['A', 'D']).xs([0, 2]).reset_index()
# Out[57]: 
#    A  D  B  C  E
# 0  0  2  2  2  2
# 1  0  2  1  1  0

我提供了更多的例子。这个答案和https://stackoverflow.com/a/28159296/是一样的

我将添加其他编辑，使这篇文章更有用。

pandas.DataFrame.query 查询正是为了这个目的。考虑数据框架df

import pandas as pd
import numpy as np

np.random.seed([3,1415])
df = pd.DataFrame(
    np.random.randint(10, size=(10, 5)),
    columns=list('ABCDE')
)

df

   A  B  C  D  E
0  0  2  7  3  8
1  7  0  6  8  6
2  0  2  0  4  9
3  7  3  2  4  3
4  3  6  7  7  4
5  5  3  7  5  9
6  8  7  6  4  7
7  6  2  6  6  5
8  2  8  7  5  8
9  4  7  6  1  5

让我们使用查询过滤所有行D > B

df.query('D > B')

   A  B  C  D  E
0  0  2  7  3  8
1  7  0  6  8  6
2  0  2  0  4  9
3  7  3  2  4  3
4  3  6  7  7  4
5  5  3  7  5  9
7  6  2  6  6  5

我们把它串起来

df.query('D > B').query('C > B')
# equivalent to
# df.query('D > B and C > B')
# but defeats the purpose of demonstrating chaining

   A  B  C  D  E
0  0  2  7  3  8
1  7  0  6  8  6
4  3  6  7  7  4
5  5  3  7  5  9
7  6  2  6  6  5

我的答案和其他人的相似。如果您不想创建一个新函数，您可以使用pandas已经为您定义的函数。使用管道法。

df.pipe(lambda d: d[d['column'] == value])