大多数 Pandas 用户都熟悉 iloc[] 和 loc[] 索引器方法,用于从 Pandas DataFrame 中检索行和列。但是随着检索数据的规则变得越来越复杂,这些方法也随之变得更加复杂而臃肿。
同时 SQL 也是我们经常接触且较为熟悉的语言,那么为什么不使用类似于 SQL 的东西来查询我们的数据呢?
事实证明实际上可以使用 query() 方法做到这一点。因此,在今天的文章中,我们将展示如何使用 query() 方法对数据框执行查询。
获取数据
我们使用 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/datasets/tedllh/titanic-train
当然也可以在文末获取到萝卜哥下载好的数据集
载入数据
下面文末就可以使用 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:
使用 query() 方法
让我们找出从南安普敦 (‘S’) 出发的所有乘客,可以使用方括号索引,代码如下所示:
df[df['Embarked'] == 'S']
如果使用 query() 方法,那么看起来更整洁:
df.query('Embarked == "S"')
与 SQL 比较,则 query() 方法中的表达式类似于 SQL 中的 WHERE 语句。
结果是一个 DataFrame,其中包含所有从南安普敦出发的乘客:
query() 方法接受字符串作为查询条件串,因此,如果要查询字符串列,则需要确保字符串被正确括起来:
很多时候,我们可能希望将变量值传递到查询字符串中,可以使用 @ 字符执行此操作:
embarked = 'S'
df.query('Embarked == @embarked')
或者也可以使用 f 字符串,如下所示:
df.query(f'Embarked == "{embarked}"')
就个人而言,我认为与 f-string 方式相比,使用 @ 字符更简单、更优雅,你认为呢
如果列名中有空格,可以使用反引号 (``) 将列名括起来:
df.query('`Embarked On` == @embarked')
以 In-place 的方式执行 query 方法
当使用 query() 方法执行查询时,该方法将结果作为 DataFrame 返回,原始 DataFrame 保持不变。如果要更新原始 DataFrame,需要使用 inplace 参数,如下所示:
df.query('Embarked == "S"', inplace=True)
当 inplace 设置为 True 时,query() 方法将不会返回任何值,原始 DataFrame 被修改。
指定多个条件查询
我们可以在查询中指定多个条件,例如假设我想获取所有从南安普敦 (‘S’) 或瑟堡 (‘C’) 出发的乘客。如果使用方括号索引,这种语法很快变得非常笨拙:
df[(df['Embarked'] == 'S') | (df['Embarked'] == 'C')]
我们注意到,在这里我们需要在查询的条件下引用 DataFrame 两次,而使用 query() 方法,就简洁多了:
df.query('Embarked in ("S","C")')
查询结果如下:
如果要查找所有不是从南安普敦(‘S’)或瑟堡(‘C’)出发的乘客,可以在 Pandas 中使用否定运算符 (~):
df[~((df['Embarked'] == 'S') | (df['Embarked'] == 'C'))]
使用 query() 方法,只需要使用 not 运算符:
df.query('Embarked not in ("S","C")')
以下输出显示了从皇后镇 (‘Q’) 出发的乘客以及缺失值的乘客:
说到缺失值,该怎么查询缺失值呢,当应用于列名时,我们可以使用 isnull() 方法查找缺失值:
df.query('Embarked.isnull()')
现在将显示 Embarked 列中缺少值的行:
其实可以直接在列名上调用各种 Series 方法:
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
比较数值列
我们还可以轻松比较数字列:
df.query('Fare > 50')
以下输出显示了票价大于 50 的所有行:
比较多个列
还可以使用 and、or 和 not 运算符比较多个列,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')
下面是查询结果:
查询索引
通常当我们想根据索引值检索行时,可以使用 loc[] 索引器,如下所示:
df.loc[[1],:] # get the row whose index is 1; return as a dataframe
但是使用 query() 方法,使得事情变得更加直观:
df.query('index==1')
结果如下:
如果要检索索引值小于 5 的所有行:
df.query('index<5')
结果如下:
我们还可以指定索引值的范围:
df.query('6 <= index < 20')
结果如下:
比较多列
我们还可以比较列之间的值,例如以下语句检索 Parch 值大于 SibSp 值的所有行:
df.query('Parch > SibSp')
结果如下:
总结
从上面的示例可以看出,query() 方法使搜索行的语法更加自然简洁,希望感兴趣的小伙伴多加练习,真正的达到融会贯通的地步哦!