Python如何使用PandasDataFrame的‘in‘和‘notin‘进行筛选，就像在SQL中一样

见贤思齐

基本原理在Python的Pandas库中，DataFrame是一个强大的数据结构，用于处理表格数据。Pandas提供了多种方法来筛选DataFrame中的数据，其中使用in和notin是模仿SQL查询中IN和NOTIN操作的一种方式。在SQL中，IN用于筛选出在某个列表中的值，而NOTIN则用于筛选出不在列表中的值。在Pandas中，我们可以通过布尔索引来实现类似的功能。代码示例示例1：使用in进行筛选假设我们有一个DataFramedf，包含了员工的姓名和部门信息，我们想要筛选出部门为"IT"或"HR"的员工。importpandasaspd#创建示例DataFramedata={'Name':['Alice','Bob','Charlie','David','Eve'],'Department':['IT','HR','Finance','IT','HR']}df=pd.DataFrame(data)#使用in筛选特定部门departments=['IT','HR']filtered_df=df[df['Department'].isin(departments)]print(filtered_df)12345678910111213'运行运行示例2：使用notin进行筛选如果我们想要筛选出除了"IT"和"HR"部门之外的所有员工，可以使用notin。#使用notin筛选非特定部门filtered_df_not_in=df[~df['Department'].isin(departments)]print(filtered_df_not_in)123示例3：使用in和notin结合条件有时候，我们可能需要同时使用in和notin来满足更复杂的筛选条件。#同时使用in和notin进行筛选filtered_df_complex=df[(df['Department'].isin(departments))&(~df['Name'].isin(['Alice','Bob']))]print(filtered_df_complex)123注意事项isin()函数对于大数据集可能会比较慢，因为它需要对每个元素进行检查。使用isin()时，传入的列表应该是可哈希的，例如列表、元组或集合。确保在布尔索引中使用括号来正确地应用逻辑运算符，如&（和）、|（或）和~（非）。结论通过上述示例，我们可以看到Pandas中的in和notin操作可以有效地模仿SQL中的IN和NOTIN查询。使用布尔索引，我们可以灵活地对DataFrame进行各种复杂的筛选操作。掌握这些技巧，可以帮助我们更加高效地处理和分析数据。>>【痕迹】QQ+微信朋友圈和聊天记录分析工具1.0.4（1）纯Python语言实现，使用Flask后端，本地分析，不上传个人数据。>>（2）内含QQ、微信聊天记录保存到本地的方法，真正实现自己数据自己管理。>>（3）数据可视化分析QQ、微信聊天记录，提取某一天的聊天记录与大模型对话。>>**下载地址：https://www.alipan.com/s/x6fqXe1jVg1**>12345678910