### Python 中用于筛选数据的方法 在 Python 中，可以利用多种方法来实现数据的筛选功能。以下是几种常见的方法及其具体应用： #### 1. **Pandas 库中的布尔索引** 通过 Pandas 的布尔索引可以直接对 DataFrame 进行条件过滤操作。这种方法简单直观，适合大多数场景。 ```python import pandas as pd # 创建示例数据框 data = {'Name': ['Tom', 'Nick', 'John', 'Amy'], 'Age': [25, 30, 35, 40], 'Salary': [5000, 6000, 7000, 8000]} df = pd.DataFrame(data) # 条件筛选：筛选 Salary 大于 5500 且小于 7500 的记录 filtered_df = df[(df['Salary'] > 5500) & (df['Salary'] < 7500)] print(filtered_df) ``` 此代码片段展示了如何使用布尔索引来完成多条件筛选[^1]。 --- #### 2. **Numpy 的逻辑运算符** 对于更复杂的条件组合，可以通过 Numpy 提供的 `logical_and` 或其他逻辑函数来进行筛选。 ```python import numpy as np # 使用 NumPy 的 logical_and 函数进行条件筛选 filtered_df = df[np.logical_and(df['Salary'] > 5500, df['Salary'] < 7500)] print(filtered_df) ``` 上述代码实现了与 Pandas 布尔索引相同的功能，但在某些情况下可能更加灵活[^1]。 --- #### 3. **Apply 方法结合自定义函数** 当需要执行复杂的数据转换或匹配时，可以借助 Pandas 的 `apply` 方法配合自定义函数或者正则表达式。 ```python import re def select_salary(x): pattern = r'[0-9]?[0-9]K-[0-9]?[0-9]K' match = re.search(pattern, str(x)) if match: return match.group(0) return None # 对某一列应用自定义函数 df['Filtered_Salary'] = df['Salary'].apply(select_salary) print(df[['Salary', 'Filtered_Salary']]) ``` 这段代码演示了如何通过正则表达式提取特定模式的内容[^2]。 --- #### 4. **字符串方法筛选 Excel 数据** 如果目标是从 Excel 文件中读取并筛选符合条件的数据，则可采用 Pandas 和字符串方法相结合的方式。 ```python import pandas as pd # 加载 Excel 数据 data = pd.read_excel("example.xlsx", sheet_name="Sheet1") # 筛选字段中含有指定关键字的行 egg_products = data[data['Product_Name'].str.contains('蛋')] non_egg_products = data[~data['Product_Name'].str.contains('蛋')] # 将结果保存到新的 Excel 表格 with pd.ExcelWriter("output.xlsx") as writer: egg_products.to_excel(writer, sheet_name="Egg_Products") non_egg_products.to_excel(writer, sheet_name="Non_Egg_Products") ``` 以上代码说明了如何针对含有特殊字符（如“蛋”）的产品名进行分类存储[^4]。 --- #### 总结 不同的筛选需求对应着不同层次的技术解决方案，在实际开发过程中可以根据具体情况选择最合适的工具和技术栈。无论是简单的数值范围判断还是复杂的文本解析任务，Python 都提供了丰富的支持手段。