使用Pandas从多个条件（AND，OR，NOT）中提取行的方法。
有以下2点需要注意：
以下数据为例。
import pandas as pd
df = pd.read_csv('./data/09/sample_pandas_normal.csv')
print(df)
# name age state point
# 0 Alice 24 NY 64
# 1 Bob 42 CA 92
# 2 Charlie 18 CA 70
# 3 Dave 68 TX 70
# 4 Ellen 24 CA 88
# 5 Frank 30 NY 57本例是使用pandas.DataFrame，但pandas.Series也同样适用。
首先，展示如何从pandas.DataFrame中提取（选择）行以获得新的pandas.DataFrame。
使用布尔列表（数组）或pandas.Series，只能提取（选择）True行。
mask = [True, False, True, False, True, False] df_mask = df[mask] print(df_mask) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70 # 4 Ellen 24 CA 88
具有两个条件值的pandas.Series，可以使用＆获得如下结果。在这里，为了便于说明，将==和〜用作二个条件，但是仅使用！=也是可以。
print(df['age'] < 35) # 0 True # 1 False # 2 True # 3 False # 4 True # 5 True # Name: age, dtype: bool print(~(df['state'] == 'NY')) # 0 False # 1 True # 2 True # 3 True # 4 True # 5 False # Name: state, dtype: bool print((df['age'] < 35) & ~(df['state'] == 'NY')) # 0 False # 1 False # 2 True # 3 False # 4 True # 5 False # dtype: bool
仅提取（选择）True行。
df_and = df[(df['age'] < 35) & ~(df['state'] == 'NY')] print(df_and) # name age state point # 2 Charlie 18 CA 70 # 4 Ellen 24 CA 88
对于OR也是如此。使用|。
print((df['age'] < 20) | (df['point'] > 90)) # 0 False # 1 True # 2 True # 3 False # 4 False # 5 False # dtype: bool df_or = df[(df['age'] < 20) | (df['point'] > 90)] print(df_or) # name age state point # 1 Bob 42 CA 92 # 2 Charlie 18 CA 70
运算符的优先级是NOT（〜），AND（＆），OR（|）。因此，结果因顺序而异。
df_multi_1 = df[(df['age'] < 35) | ~(df['state'] == 'NY') & (df['point'] < 75)] print(df_multi_1) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70 # 3 Dave 68 TX 70 # 4 Ellen 24 CA 88 # 5 Frank 30 NY 57 df_multi_2 = df[(df['age'] < 35) & (df['point'] < 75) | ~(df['state'] == 'NY')] print(df_multi_2) # name age state point # 0 Alice 24 NY 64 # 1 Bob 42 CA 92 # 2 Charlie 18 CA 70 # 3 Dave 68 TX 70 # 4 Ellen 24 CA 88 # 5 Frank 30 NY 57
将每个组括在括号中比较安全。
df_multi_3 = df[((df['age'] < 35) | ~(df['state'] == 'NY')) & (df['point'] < 75)] print(df_multi_3) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70 # 3 Dave 68 TX 70 # 5 Frank 30 NY 57
