Pandas 数据选择与切片

📌 准备示例数据

先创建一个 DataFrame，用于后续演示：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    '姓名': ['张三', '李四', '王五', '赵六', '陈七'],
    '年龄': [28, 35, 42, 29, 31],
    '工资': [8000, 12000, 15000, 9500, 11000],
    '部门': ['技术', '销售', '技术', '管理', '销售'],
    '入职年份': [2020, 2018, 2015, 2021, 2019]
})
df.index = ['A', 'B', 'C', 'D', 'E']   # 自定义行索引
print(df)

📋 列选择

df['姓名']        # 返回 Series
df.姓名           # 点号访问（列名需为有效标识符）

df[['姓名', '工资']]   # 返回 DataFrame

📏 行选择与切片

df[0:3]          # 前3行（类似列表切片，不包含结束）
df[1:4]          # 第2到4行

df['A':'C']      # 包含结束标签 'C'

🎯 精准索引：.loc[] 和 .iloc[]

这是 Pandas 中最推荐的索引方式，清晰明确。

# .loc[] 示例
print(df.loc['B'])                # 选择行 'B'（返回 Series）
print(df.loc['B':'D', '姓名':'工资'])  # 行标签 B 到 D，列名 姓名 到 工资
print(df.loc[['A','C','E'], ['姓名','部门']])  # 选择指定行和列

# .iloc[] 示例
print(df.iloc[0])                 # 第一行
print(df.iloc[1:4, 0:3])          # 第2~4行，第1~3列
print(df.iloc[[0,2,4], [0,2]])    # 指定行和列的位置

🔍 布尔索引（条件筛选）

根据条件筛选行，是数据分析中最常用的操作之一。

# 筛选年龄大于30的员工
df[df['年龄'] > 30]

# 多条件筛选：年龄大于30且部门为销售
df[(df['年龄'] > 30) & (df['部门'] == '销售')]

# 或条件：部门为技术或管理
df[(df['部门'] == '技术') | (df['部门'] == '管理')]

# 取反：年龄不大于30
df[~(df['年龄'] > 30)]

🔢 其他常用筛选方法

# isin()：筛选部门为技术或销售
df[df['部门'].isin(['技术', '销售'])]

# between()：筛选工资在8000到12000之间
df[df['工资'].between(8000, 12000)]

# str.contains()：筛选姓名包含“张”的行
df[df['姓名'].str.contains('张')]

# query()：字符串表达式（更简洁）
df.query('年龄 > 30 and 部门 == "销售"')

⚡ 同时选择行和列

结合 .loc[] 或 .iloc[] 可以一步到位：

# 选择年龄大于30的员工的姓名和工资
df.loc[df['年龄'] > 30, ['姓名', '工资']]

# 选择前两行的姓名和部门
df.iloc[0:2, [0, 3]]   # 第1、2行，第1、4列

# 使用布尔条件同时选择
df.loc[(df['部门'] == '技术') & (df['工资'] > 10000), ['姓名', '入职年份']]

⚠️ 视图与副本的注意事项

📌 总结：选择策略速查

• 要选列： df['列名'] 或 df[['列1','列2']]
• 要选行（按位置）： df.iloc[start:end]
• 要选行（按标签）： df.loc[标签]
• 要条件筛选行： df[条件]
• 要同时选行列： df.loc[行条件, 列条件] 或 df.iloc[行位置, 列位置]