引言Pandas 是 Python 中最常用的数据分析库之一，它提供了强大的数据结构和数据分析工具。在实际工作中，我们经常需要根据特定条件对数据进行筛选。本文将从基础到高级，逐步介绍如何使用 Pandas 进行条件过滤，并讨论常见的问题和报错及其解决方案。
基础概念在 Pandas 中，数据通常存储在 DataFrame 对象中。DataFrame 可以看作是一个表格，其中每一列都有一个名称，每一行都有一个索引。条件过滤的基本思路是创建一个布尔掩码，然后使用这个掩码来筛选数据。
基本用法假设我们有一个包含员工信息的 DataFrame：
代码语言：python代码运行次数：0运行复制import pandas as pd
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 35, 40],
'Department': ['HR', 'Engineering', 'Sales', 'Marketing']
}
df = pd.DataFrame(data)
print(df)输出：
代码语言：txt复制 Name Age Department
0 Alice 25 HR
1 Bob 30 Engineering
2 Charlie 35 Sales
3 David 40 Marketing单一条件过滤我们可以使用单一条件来筛选数据。例如，筛选出年龄大于 30 的员工：
代码语言：python代码运行次数：0运行复制filtered_df = df[df['Age'] > 30]
print(filtered_df)输出：
代码语言：txt复制Name Age Department
2 Charlie 35 Sales
3 David 40 Marketing多个条件过滤我们也可以使用多个条件来筛选数据。例如，筛选出年龄大于 30 且部门为 Sales 的员工：
代码语言：python代码运行次数：0运行复制filtered_df = df[(df['Age'] > 30) & (df['Department'] == 'Sales')]
print(filtered_df)输出：
代码语言：txt复制 Name Age Department
2 Charlie 35 Sales注意：在使用多个条件时，每个条件需要用括号括起来，以确保逻辑运算符的优先级正确。
常见问题及解决方案1. 条件表达式错误问题描述：在编写条件表达式时，忘记使用括号导致逻辑运算符优先级错误。
解决方案：确保每个条件都用括号括起来。
代码语言：python代码运行次数：0运行复制# 错误示例
filtered_df = df[df['Age'] > 30 & df['Department'] == 'Sales']
# 正确示例
filtered_df = df[(df['Age'] > 30) & (df['Department'] == 'Sales')]2. 类型不匹配问题描述：在比较字符串和数字时，类型不匹配导致报错。
解决方案：确保比较的两个值类型一致。
代码语言：python代码运行次数：0运行复制# 错误示例
filtered_df = df[df['Department'] == 30]
# 正确示例
filtered_df = df[df['Age'] == 30]3. 使用 and 和 or 而不是 & 和 |问题描述：在 Pandas 中，and 和 or 不能用于布尔数组，而应该使用 & 和 |。
解决方案：使用 & 和 | 进行逻辑运算。
代码语言：python代码运行次数：0运行复制# 错误示例
filtered_df = df[df['Age'] > 30 and df['Department'] == 'Sales']
# 正确示例
filtered_df = df[(df['Age'] > 30) & (df['Department'] == 'Sales')]4. 空值处理问题描述：数据中存在空值（NaN）时，条件过滤可能会出错。
解决方案：使用 pd.notna() 或 dropna() 方法处理空值。
代码语言：python代码运行次数：0运行复制# 示例数据
data = {
'Name': ['Alice', 'Bob', None, 'David'],
'Age': [25, 30, 35, 40],
'Department': ['HR', 'Engineering', 'Sales', 'Marketing']
}
df = pd.DataFrame(data)
# 过滤出非空值
filtered_df = df[pd.notna(df['Name'])]
print(filtered_df)输出：
代码语言：txt复制 Name Age Department
0 Alice 25 HR
1 Bob 30 Engineering
3 David 40 Marketing高级用法动态条件过滤在实际应用中，我们可能需要根据用户输入或其他动态条件进行过滤。可以使用 eval 方法实现动态条件过滤。
代码语言：python代码运行次数：0运行复制condition = "Age > 30 & Department == 'Sales'"
filtered_df = df.query(condition)
print(filtered_df)输出：
代码语言：txt复制 Name Age Department
2 Charlie 35 Sales复杂条件过滤对于更复杂的条件，可以使用 apply 方法自定义过滤逻辑。
代码语言：python代码运行次数：0运行复制def custom_filter(row):
return row['Age'] > 30 and row['Department'] in ['Sales', 'Marketing']
filtered_df = df[df.apply(custom_filter, axis=1)]
print(filtered_df)输出：
代码语言：txt复制 Name Age Department
2 Charlie 35 Sales
3 David 40 Marketing总结Pandas 提供了丰富的条件过滤功能，可以帮助我们高效地处理数据。本文从基础到高级，介绍了如何使用 Pandas 进行条件过滤，并讨论了常见的问题和报错及其解决方案。希望本文能帮助你在实际工作中更好地利用 Pandas 进行数据处理。