好的，以下是基于您的需求完成的操作步骤及解释： --- ### 步骤解析 #### 1. 导入必要的库并创建 DataFrame 对象 `df` 首先需要导入 Pandas 库，并将给定的数据字典转换为一个 DataFrame 对象。 ```python import pandas as pd data = { 'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'], 'age': [23, 25, 22, 24, 23], 'score': [85, 90, 88, 92, 87] } # 创建 DataFrame df = pd.DataFrame(data) ``` 此时，`df` 的内容如下所示： | name | age | score | |--------|-----|-------| | Alice | 23 | 85 | | Bob | 25 | 90 | | Charlie| 22 | 88 | | David | 24 | 92 | | Eve | 23 | 87 | --- #### 2. 筛选年龄大于 23 岁的学生 通过布尔索引来筛选出满足条件的行数据。 ```python filtered_df = df[df['age'] > 23] ``` 经过这一步之后，`filtered_df` 中只剩下年龄大于 23 岁的学生信息。在这个例子中只有两位学生的年龄符合条件（即 "Bob" 和 "David"): | name | age | score | |--------|-----|-------| | Bob | 25 | 90 | | David | 24 | 92 | --- #### 3. 提高成绩低于 90 分的学生的成绩 5 分 接下来对过滤后的数据进一步处理：找到分数小于 90 的学生，并将其分数增加 5 分。 ```python filtered_df.loc[filtered_df['score'] < 90, 'score'] += 5 ``` 在这里需要注意的是，在当前的例子中，"Bob" 是唯一一位满足上述条件的人 (其原始分为 90)，因此不会有任何学生成绩受到影响；但如果存在类似情况，则会自动调整对应值。 最后得到的结果仍保持不变： | name | age | score | |--------|-----|-------| | Bob | 25 | 90 | | David | 24 | 92 | --- #### 4. 最终输出结果 我们可以直接打印这个最终版本的 Dataframe 来查看所有操作完成后的内容： ```python print(filtered_df) ``` 输出将是如上表格形式展示出来的两个符合条件的学生详细资料及其更新过的成绩数值。 --- ### 示例完整代码 下面是完整的 Python 脚本示例供参考： ```python import pandas as pd # 初始化数据集 data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'], 'age': [23, 25, 22, 24, 23], 'score': [85, 90, 88, 92, 87]} # 构建 DataFrame df = pd.DataFrame(data) # 过滤 年龄>23岁 学生的信息 filtered_df = df[df['age']>23] # 修改 成绩<90分 加5分 filtered_df.loc[filtered_df['score'] < 90,'score']+=5 # 显示最终结果 print(filtered_df) ``` 运行以上程序可以获取到所需答案！ ---