Vom Anfänger bis zum Experten: Beherrschen Sie die Fähigkeiten im Umgang mit Ist- und Wo-Selektoren
Einführung:
Im Prozess der Datenverarbeitung und -analyse ist der Selektor ein sehr wichtiges Werkzeug. Durch Selektoren können wir die erforderlichen Daten entsprechend bestimmten Bedingungen aus dem Datensatz extrahieren. In diesem Artikel werden die Verwendungsfähigkeiten von is- und where-Selektoren vorgestellt, um den Lesern zu helfen, die leistungsstarken Funktionen dieser beiden Selektoren schnell zu beherrschen.
1. Verwendung des Selektors
Dieser Selektor ist ein grundlegender Selektor, der es uns ermöglicht, den Datensatz basierend auf bestimmten Bedingungen zu filtern. Das Folgende ist ein Beispiel für die Verwendung des is-Selektors:
import pandas as pd
# 创建示例数据集
data = {'姓名': ['张三', '李四', '王五', '赵六'],
'年龄': [18, 21, 22, 20],
'性别': ['男', '女', '男', '女']}
df = pd.DataFrame(data)
# 使用is选择器
selected_data = df[df['年龄'] > 20]
print(selected_data)Ausgabeergebnis:
姓名 年龄 性别 1 李四 21 女 2 王五 22 男
Im obigen Beispiel haben wir den is-Selektor verwendet, um die Daten zu filtern, deren Alter größer als 20 ist. Es ist ersichtlich, dass nur Li Si und Wang Wu älter als 20 Jahre sind, sodass das Endergebnis nur ihre Informationen enthält.
2. Verwendung des Where-Selektors
Der Where-Selektor ist ein weiterer häufig verwendeter Selektor, der es uns ermöglicht, den Datensatz basierend auf bestimmten Bedingungen zu filtern und zu ersetzen. Das Folgende ist ein Beispiel für die Verwendung des Where-Selektors:
import pandas as pd
# 创建示例数据集
data = {'姓名': ['张三', '李四', '王五', '赵六'],
'年龄': [18, 21, 22, 20],
'性别': ['男', '女', '男', '女']}
df = pd.DataFrame(data)
# 使用where选择器
df.where(df['性别'] == '男', '未知', inplace=True)
print(df)Ausgabeergebnis:
姓名 年龄 性别 0 张三 18 男 1 未知 21 未知 2 王五 22 男 3 未知 20 未知
Im obigen Beispiel haben wir den Where-Selektor verwendet, um die Daten durch das männliche Geschlecht zu ersetzen. Es ist ersichtlich, dass sich die ursprünglichen männlichen Daten nicht geändert haben, die weiblichen Daten jedoch durch „unbekannt“ ersetzt wurden. Unter diesen gibt der Parameter inplace=True eine Änderung am ursprünglichen Datensatz an.
3. Fortgeschrittene Nutzungsfähigkeiten von is- und where-Selektoren
Zusätzlich zu den oben genannten grundlegenden Nutzungsmethoden verfügen is-and-where-Selektoren auch über einige fortgeschrittene Nutzungsfähigkeiten, um komplexere Anforderungen zu erfüllen.
import pandas as pd
# 创建示例数据集
data = {'姓名': ['张三', '李四', '王五', '赵六'],
'年龄': [18, 21, 22, 20],
'性别': ['男', '女', '男', '女']}
df = pd.DataFrame(data)
# 使用多条件筛选
selected_data = df[(df['年龄'] > 20) & (df['性别'] == '男')]
print(selected_data)Ausgabeergebnis:
姓名 年龄 性别 2 王五 22 男
Im obigen Beispiel haben wir die Filterung mit mehreren Bedingungen verwendet, um Daten mit einem Alter über 20 und einem männlichen Geschlecht herauszufiltern.
import pandas as pd
# 创建示例数据集
data = {'姓名': ['张三', '李四', '王五', '赵六'],
'年龄': [18, 21, 22, 20],
'性别': ['男', '女', '男', '女']}
df = pd.DataFrame(data)
# 筛选字符串类型的列
string_columns = df.select_dtypes(include='object')
print(string_columns)Ausgabeergebnis:
姓名 性别 0 张三 男 1 李四 女 2 王五 男 3 赵六 女
Im obigen Beispiel haben wir die Funktion „select_dtypes“ verwendet, um die Spalten herauszufiltern, deren Datentyp „String“ ist.
Fazit:
Durch die Einleitung dieses Artikels haben wir die grundlegende Verwendung von is- und where-Selektoren erlernt und einige fortgeschrittene Verwendungsfähigkeiten gemeistert. Selektoren sind unverzichtbare Werkzeuge bei der Datenverarbeitung und -analyse. Die Beherrschung dieser Fähigkeiten wird unsere Arbeitseffizienz erheblich verbessern. Ich hoffe, dass die Leser nach dem Studium dieses Artikels die Selektoren „is“ und „where“ flexibel nutzen können, um Daten besser zu verarbeiten und zu analysieren.
Das obige ist der detaillierte Inhalt vonVom Anfänger bis zum Experten: Beherrschen Sie die Fähigkeiten im Umgang mit Ist- und Wo-Selektoren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
