整理了10个经典的Pandas数据查询案例

Pandas的query函数为我们提供了一种编写查询过滤条件更简单的方法，特别是在的查询条件很多的时候，在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。

首先，将数据集导入Pandas

import pandas as pd
df = pd.read_csv("Dummy_Sales_Data_v1.csv")
df.head()

output

它是一个简单的9999 x 12数据集，是使用Faker创建的，我在最后也会提供本文的所有源代码。

在开始之前，先快速回顾一下Pandas中的查询函数query。查询函数用于根据指定的表达式提取记录，并返回一个新的DataFrame。表达式是用字符串形式表示的条件或条件的组合。

PANDAS中的DATAFRAME（.loc和.iloc）属性用于根据行和列标签和索引提取数据集的子集。因此，它并不具备查询的灵活性。而括号符号[]可以灵活地基于条件过滤数据帧，但是如果条件很多的话编写代码是繁琐且容易出错的。

Pandas的query()函数可以灵活地根据一个或多个条件提取子集，这些条件被写成表达式并且不需要考虑括号的嵌套。

在后端Pandas使用eval()函数对该表达式进行解析和求值，并返回表达式被求值为TRUE的数据子集或记录。所以要过滤Pandas中的DataFrame，需要做的就是在查询函数中指定条件即可。

使用单一条件进行过滤

在单个条件下进行过滤时，在Query（）函数中表达式仅包含一个条件。返回的输出将包含该表达式评估为真的所有行。

示例1

提取数量为95的所有行，因此逻辑形式中的条件可以写为

Quantity == 95

需要将条件写成字符串，即将其包装在双引号“”中。query函数的代码如下

df.query("Quantity == 95")

output

看起来很简单。它返回了数量为95的所有行。如果用一般查询的方式可以写成：

df [df [“Quantity”] == 95]

但是，如果想在同一列中再包含一个条件怎么办？

它在括号符号中又增加了一对方括号，如果是3个条件或者更多条件呢？那么他就变得难以管理。这就是query函数的优势了。

在多个条件过滤

一个或多个条件下过滤，query()的语法都保持不变

但是需要指定两个或多个条件进行过滤的方式

• and：回在满足两个条件的所有记录
• or：返回满足任意条件的所有记录

示例2

查询数量为95＆单位价格为182 ，这里包含单价的列被称为UnitPrice（USD），因此，条件是

Quantity == 95
UnitPrice(USD) == 182

那么代码就是：

df.query("Quantity == 95 and UnitPrice(USD) == 182")

这个查询会报错：

但是为什么报错？

这是因为query()函数对列名有一些限制。列名称UnitPrice（USD）是无效的。我们要使用反引号把列名包含起来。

df.query("Quantity == 95 and `UnitPrice(USD)` == 182")

output

当两个条件满足时，只有3个记录。

或者我们直接将列名改成合理的格式：

df.rename(columns={'UnitPrice(USD)':'UnitPrice',
                  'Shipping_Cost(USD)':'Shipping_Cost',
                  'Delivery_Time(Days)':'Delivery_Time'},
        inplace=True)

这里就不需要使用反引号了:

df.query("Quantity == 95 and UnitPrice == 182")

示例3

我们现在只需要满足一个条件：

df.query("Quantity == 95 or UnitPrice == 182")

output

它返回满足两个条件中的任意一个条件的所有列。

我们也可以使用|替代or关键字。

示例4

假设想获得数量不等于95的所有行。最简单的答案是在条件之前使用not关键字或否定操作符〜

df.query("not(Quantity == 95)")

output

结果它包含数量不是95的所有行。

其实这里的条件不一定必须是相等运算符，可以从==，!=，>，<，≥，≤中选择，例如：

df.query("Quantity != 95")

文本过滤

对于文本列过滤时，条件是列名与字符串进行比较。

请query()表达式已经是字符串。那么如何在另一个字符串中写一个字符串？将文本值包装在单个引号“”中，就可以了。

示例5

想获得即状态“未发货”所有记录，可以在query()表达式中写成如下的形式：

df.query("Status == 'Not Shipped'")

output

它返回所有记录，其中状态列包含值-“未发货”。

与数值的类似可以在同一列或不同列上使用多个条件，并且可以是数值和非数值列上条件的组合。

除此以外， Pandas中的query()方法还可以在查询表达式中使用数学计算。

查询中的简单数学计算

数学操作可以是列中的加，减，乘，除，甚至是列中值或者平方等，如下所示：

示例6

df.query("Shipping_Cost*2 < 50")

虽然这个二次方的操作没有任何的实际意义，但是我们的示例返回了所有达到要求的行。

我们还可以在一个或多个列上包含一些复杂的计算。

示例7

我们随便写一个比较复杂的公式：

df.query("Quantity**2 + Shipping_Cost**2 < 500")

output

如果使用最原始的[]的形式，这个公式的查询基本上没法完成，但是使用query()函数则变为简单的多。

除了数学操作，还在查询表达式中使用内置函数。

查询中的内置函数

Python内置函数，例如sort()，abs()，factorial()，exp()等，也可以在查询表达式中使用。

示例8

查找单位价格平方根的超过15的行：

df.query("sqrt(UnitPrice) > 15")

output

query()函数还可以在同一查询表达式将函数和数学运算整合使用

示例9

df.query("sqrt(UnitPrice) < Shipping_Cost/2")

output

到目前为止，所有查询示例都是关于数值和文本列的。但是，query()的还不仅限于这些数据类型，对于日期时间值query()函数也可以非常灵活的过滤。

日期时间列过滤

使用query()函数在日期时间值上进行查询的唯一要求是，包含这些值的列应为数据类型dateTime64 [ns]

在示例数据中，OrderDate列是日期时间，但是我们的df其解析为字符串，所以我们需要先进行转换：

df["OrderDate"] = pd.to_datetime(df["OrderDate"], format="%Y-%m-%d")

为了提取有关日期的有用信息并在query()需要使用dt提取器，dt是一种访问对象，用于提取日期时间，例如DateTime系列的属性。

示例10

获得八月份的所有记录

df.query("OrderDate.dt.month == 8")

output

所有记录都是八月份的。OrderDate.dt.month显示了如何使用dt访问者仅提取整个日期值的月份值。

如果提取2021年8月订购日为15或以上的所有订单，可以写成这样

df.query("OrderDate.dt.month == 8 and OrderDate.dt.year == 2021 and OrderDate.dt.day >=15")

output

dt很好用并且可以在同一列上结合了多个条件，但表达式似乎太长了。所以可以通过编写更非常简单的表达式来过滤：

df.query("OrderDate >= '2021-08-15' and OrderDate <= '2021-08-31'")

我们直接传递一个符合日期格式的字符串，它会自动的转换并且比较：

将上面的所有内容整合：

df.query("OrderDate >= '2021-08-15' and OrderDate <= '2021-08-31' and Status =
= 'Delivered'")

output

查询表达式包含了日期时间和文本列条件，它返回了符合查询表达式的所有记录

替换

上面的查询中都会生成一个新的df。这是因为：query()的第二个参数(inplace)默认false。

与一般的Pandas提供的函数一样，inplace的默认值都是false，查询不会修改原始数据集。如果我们想覆盖原始df时，需要将inplace=true。但是一定要小心使用inplace=true，因为它会覆盖原始的数据。

总结

我希望在阅读本文后，您可以更频繁，流利地使用Pandas中的query()函数，因为它可以方便以过滤数据集。这些查询的函数我每天都会或多或少的使用。

本文的所有示例代码在这里：

https://github.com/17rsuraj/data-curious/blob/master/TowardsDataScience/pandas_query_deep_dive.ipynb

— 完 —：