共计 2298 个字符，预计需要花费 6 分钟才能阅读完成。
大多数 Pandas 用户都相熟 iloc[] 和 loc[] 索引器办法，用于从 Pandas DataFrame 中检索行和列。然而随着检索数据的规定变得越来越简单，这些办法也随之变得更加简单而臃肿。
同时 SQL 也是咱们常常接触且较为相熟的语言，那么为什么不应用相似于 SQL 的货色来查问咱们的数据呢
事实证明实际上能够应用 query() 办法做到这一点。因而，在明天的文章中，咱们将展现如何应用 query() 办法对数据框执行查问
获取数据
咱们应用 kaggle 上的 Titanic 数据集作为本文章的测试数据集，下载地址如下：
https://www.kaggle.com/datase…
当然也能够在文末获取到萝卜哥下载好的数据集
载入数据
上面文末就能够应用 read_csv 来载入数据了
import pandas as pd
df = pd.read_csv('titanic_train.csv')
df数据集有 891 行和 12 列：
应用 query() 办法
让咱们找出从南安普敦 (‘S’) 登程的所有乘客，能够应用方括号索引，代码如下所示：
df[df['Embarked'] == 'S'] 如果应用 query() 办法，那么看起来更整洁：
df.query('Embarked =="S"')与 SQL 比拟，则 query() 办法中的表达式相似于 SQL 中的 WHERE 语句。
后果是一个 DataFrame，其中蕴含所有从南安普敦登程的乘客：
query() 办法承受字符串作为查问条件串，因而，如果要查问字符串列，则须要确保字符串被正确括起来：
很多时候，咱们可能心愿将变量值传递到查问字符串中，能够应用 @ 字符执行此操作：
embarked = 'S'
df.query('Embarked == @embarked')或者也能够应用 f 字符串，如下所示：
df.query(f'Embarked =="{embarked}"')就集体而言，我认为与 f-string 形式相比，应用 @ 字符更简略、更优雅，你认为呢
如果列名中有空格，能够应用反引号 (\`\`) 将列名括起来：
df.query('`Embarked On` == @embarked')以 In-place 的形式执行 query 办法
当应用 query() 办法执行查问时，该办法将后果作为 DataFrame 返回，原始 DataFrame 放弃不变。如果要更新原始 DataFrame，须要应用 inplace 参数，如下所示：
df.query('Embarked =="S"', inplace=True) 当 inplace 设置为 True 时，query() 办法将不会返回任何值，原始 DataFrame 被批改。
指定多个条件查问
咱们能够在查问中指定多个条件，例如假如我想获取所有从南安普敦 (‘S’) 或瑟堡 (‘C’) 登程的乘客。如果应用方括号索引，这种语法很快变得十分蠢笨：
df[(df['Embarked'] == 'S') | (df['Embarked'] == 'C')]咱们留神到，在这里咱们须要在查问的条件下援用 DataFrame 两次，而应用 query() 办法，就简洁多了：
df.query('Embarked in ("S","C")')查问后果如下
如果要查找所有不是从南安普敦（‘S’）或瑟堡（‘C’）登程的乘客，能够在 Pandas 中应用否定运算符 (~)：
df[~((df['Embarked'] == 'S') | (df['Embarked'] == 'C'))] 应用 query() 办法，只须要应用 not 运算符：
df.query('Embarked not in ("S","C")')以下输入显示了从皇后镇 (‘Q’) 登程的乘客以及缺失值的乘客：
说到缺失值，该怎么查问缺失值呢，当利用于列名时，咱们能够应用 isnull() 办法查找缺失值：
df.query('Embarked.isnull()')当初将显示 Embarked 列中短少值的行：
其实能够间接在列名上调用各种 Series 办法：
df.query('Name.str.len() < 20') # find passengers whose name is
# less than 20 characters
df.query(f'Ticket.str.startswith("A")') # find all passengers whose
# ticket starts with A比拟数值列
咱们还能够轻松比拟数字列：
df.query('Fare > 50')以下输入显示了票价大于 50 的所有行：
比拟多个列
还能够应用 and、or 和 not 运算符比拟多个列，以下语句检索 Fare 大于 50 和 Age 大于 30 的所有行：
df.query('Fare > 50 and Age > 30')上面是查问后果
查问索引
通常当咱们想依据索引值检索行时，能够应用 loc[] 索引器，如下所示：
df.loc[[1],:] # get the row whose index is 1; return as a dataframe然而应用 query() 办法，使得事件变得更加直观：
df.query('index==1')后果如下
如果要检索索引值小于 5 的所有行：
df.query('index<5')后果如下
咱们还能够指定索引值的范畴：
df.query('6 <= index < 20')后果如下
比拟多列
咱们还能够比拟列之间的值，例如以下语句检索 Parch 值大于 SibSp 值的所有行：
df.query('Parch > SibSp')后果如下
总结
从下面的示例能够看出，query() 办法使搜寻行的语法更加天然简洁，心愿感兴趣的小伙伴多加练习，真正的达到死记硬背的境地哦~
好啦，这就是明天分享的全部内容，喜爱就点个赞吧~
本文由 mdnice 多平台公布