### 如何在 Pandas DataFrame 中根据条件筛选并提取指定行的数据 #### 使用 `dropna` 方法筛选非缺失值 当目标是从 DataFrame 中移除含有缺失值的行时，可以利用 `dropna()` 函数。此函数能够针对某一列或几列执行操作，只保留那些该列不为空白或 NaN 的记录。 ```python import pandas as pd import numpy as np # 创建示例 DataFrame df = pd.DataFrame({ 'A': ['foo', 'bar', None, 'baz'], 'B': [1, 2, 3, 4], }) # 筛选 A 列中非缺失值的所有行 filtered_df = df.dropna(subset=['A']) print(filtered_df) ``` [^1] #### 布尔索引来匹配特定模式 对于更复杂的查询需求，比如查找某列中含有某些字符的条目，则可以通过布尔索引配合正则表达式完成。这里展示了一个例子，即选取 "产品" 列内包含 “肉” 或者 “木” 字符串的全部行： ```python # 构建新的 DataFrame 示例用于演示字符串匹配 product_df = pd.DataFrame({'产品': ['猪肉', '木材', '钢铁']}) newdf = product_df[product_df['产品'].str.contains('肉|木')] print(newdf) ``` [^2] #### 组合多个条件进行高级筛选 为了实现更加精细的选择标准，还可以通过逻辑运算符 (`&`, `|`) 来构建复合条件语句。这使得可以从大型数据集中精确地定位到符合一系列预设规则的目标子集。 ```python # 定义更多样化的 DataFrame 数据结构以便于说明多条件应用案例 complex_df = pd.DataFrame({ 'Category': ['Electronics', 'Furniture', 'Clothing'], 'Price': [299, 78, 45], 'Stock': [True, False, True] }) # 应用多重条件：类别为 Electronics 并且价格大于等于 300；或者库存状态为真 multi_condition_df = complex_df[(complex_df['Category']=='Electronics') & (complex_df['Price']>=300) | (complex_df['Stock']==True)] print(multi_condition_df) ``` [^4] #### 行筛选后的重置索引 一旦完成了基于某种条件下的行选择之后，可能会发现剩余部分的索引变得不再连续。此时可通过调用 `reset_index()` 方法来重建一个新的整数型索引序列，从而方便后续的操作如追加新列等。 ```python # 对之前得到的结果再次处理使其拥有连续编号的新索引 final_df = multi_condition_df.reset_index(drop=True) print(final_df) ``` [^3]