万网站长seo外链优化

一、背景

2025年8月22日了，回头查了下第一个python万里长征的文章还是2018年11月。但是没有写几篇，坚持写这个还是挺难的，回头一想，八年多还在这个岗位上，还是有半杯欣慰的，来干了！cheers!

最近一年，数据分析做的内容比较多，但是回头看，对pandas这个东西的使用，还是有一层迷雾感的。所以写点东西，记录下心路旅程，也许未来某一天看看自己的笔记，会微笑多那么一点点，足够了。等待未来callback的一天。

二、布尔索引

今天让ai出了个几个选择题，做了几个题消耗些时间，看了个解释，发现一句话，布尔索引是标准的筛选方式。

深入研究了下，布尔索引过滤是pandas中通过逻辑条件筛选数据的一种方法，他属于三大基础方法之一，另两个基础是isin和between。
一个是二值化筛选，一个是多值筛选，一个是范围筛选。

2.1 总结

新手记住三基础就可以了。后面看进阶

三、进阶核心用法（实用高效）

想打个高效，总是打出来搞笑！！！（i fu le you 输入法）

也是分三类记下吧，都是为了更好的回忆。

3.1 多条件组合

通过&、|、~组合条件，需注意括号使用，例如：df[(df[‘A’] > 10) & (df[‘B’] == ‘X’)]

3.2 字符串表达式（类似SQL）

query()方法，支持字符串表达式

例如：df.query(“A > 10 and B == ‘X’”)。适合复杂条件场景‌，这个严格来说也是多条件组合，只不过是sql化的用法。

3.3 针对字符串的正则匹配

str.contains()‌
针对字符串列的正则匹配，例如：df[df[‘CVE ID’].str.contains(‘CVE-’)]

四、高级方法（依赖基础）

4.1 函数应用（如apply()或lambda）‌

自定义复杂逻辑，例如：df[df.apply(lambda x: x[‘A’] + x[‘B’] > 100, axis=1)]

遇事不决可问春风 春风不语即随本心!!!

4.2 缺失值筛选

使用isna()或notna()，例如：df[df[‘列名’].notna()]

4.3 loc与iloc‌

loc：基于标签和布尔索引筛选行或列，例如：df.loc[df[‘A’] > 10, [‘B’, ‘C’]]‌

输入格式：loc[] 的通用语法是 df.loc[行选择, 列选择]。若省略列部分（如本例），则返回所有列。

iloc：基于整数位置筛选（较少用于逻辑条件），输入格式类似loc

这里loc和iloc容易混淆，所以还是看下区别：

特性	loc	iloc
索引类型	标签（显式）	整数位置（隐式）
切片包含性	包含结束标签！！！	不包含结束位置！！！（Python 风格）
示例	df.loc[‘a’:‘c’]	df.iloc[0:2]

如需按位置选择数据，应使用 iloc。

五、总结

pandas的筛选数据肯定是不止这些方法，但是要更好的记忆，必须是有量化层次做基础的，三基础、三核心、三高级并不是绝对的，看适合个人的记忆，别让大脑处于混乱朦胧的状态即可，真正的进阶需要用。