pandas.DataFrame中query和eval的用法

pandas.DataFrame的query与eval方法详解
最新推荐文章于 2025-04-20 00:15:00 发布
最新推荐文章于 2025-04-20 00:15:00 发布
阅读量319 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： pandas 机器学习-深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/CqpFsharp/article/details/133203998
本文介绍了pandas DataFrame中的query和eval方法，用于高效筛选和计算数据。query方法利用类似SQL的语法进行布尔表达式筛选，而eval方法则用于执行字符串表达式以实现快速计算。结合这两个方法，可以提升数据处理的效率和便利性。

在使用Python进行数据处理和分析时，pandas是一个十分强大且常用的工具。pandas提供了DataFrame这个数据结构，可以方便地进行数据操作和计算。在DataFrame中，query和eval这两个方法提供了一种更加高效和简洁的方式来筛选和计算数据。

首先，我们将介绍query方法。该方法允许我们通过布尔表达式来筛选DataFrame中的数据。query方法采用类似于SQL的语法，可以使用各种逻辑运算符（例如==、!=、>、<、>=、<=）以及与、或和非逻辑运算符（&、|、~）。

下面是一个示例，展示了如何使用query方法来筛选DataFrame中的数据：

import pandas as pd

# 创建一个示例DataFrame
data = {
   
   'name': ['Alice'
了解本专栏 订阅专栏 解锁全文
Pandas DataFrame中的query和eval用法
VnReact的博客
09-22 254
需要注意的是，query()和eval()方法都使用了一种称为"Expression Evaluation"的机制，这是一种高效的计算机制，可以在不复制数据的情况下对数据进行操作。在上面的示例中，我们使用query()方法筛选了’A’列中大于2的行。可以看到，只有’A’列中的值大于2的行被保留下来。在上面的示例中，我们使用eval()方法计算了’A’列和’B’列中的最大值，并将结果存储在新的’D’列中。在上面的示例中，我们使用eval()方法计算了’A’列和’B’列的和，并将结果存储在新的’C’列中。
pandas.dataFrame中query和eval用法
猫敷雪
05-26 1211
python数据科学生态环境的强大力量在Numpy和Pandas的基础之上，并通过直观的语法将基本操作转化为c语言：在Numpy里是向量化/广播运算，在pandas里是分组型的运算。虽然这些抽象功能可以简洁高效的解决很多问题，但是他们经常需要创建临时对象，这样会占用很大的计算时间和内存。Pandas为了解决性能问题，引入了eval()和query()函数，他们可以让用户直接运行C语言速度的操作，不需要费力的配置中间数组，它们都依赖于Numexpr程序包。
DataFrame.query()--Pandas
chongbaikaishi的博客
08-23 1482
Pandas 中的一个函数，用于在 DataFrame 中执行查询操作。这个方法会返回一个新的 DataFrame，其中包含符合查询条件的数据行。请注意，query 方法只能用于筛选行，而不能用于筛选列。
DataFrame.query和 DataFrame.eval的用法
红泥小火炉的博客
04-09 1154
DataFrame.query() DataFrame.query(self, expr, inplace=False, **kwargs) Query the columns of a DataFrame with a boolean expression. import pandas as pd df = pd.DataFrame({'A': range(1, 6), ... ...
【pandas之DataFrame相关函数】query（）函数
陆百万的博客
06-24 3048
**DataFrame.query(expr, inplace=False, **kwargs)[source] Query the columns of a DataFrame with a boolean expression. 通过布尔表达式进行查询 **待读取文件预览： 运行结果:
pandas dataframe query()
zhlkh的博客
02-18 1393
pandas query like 过滤查询
【Pandas】（5）eval和query
游码客的博客
03-31 725
这个功能基于 Numexpr 库，能够加速某些特定类型的操作，尤其是在处理大型 DataFrame 时。方法提供了一种查询 DataFrame 行的强大方式，使用布尔表达式作为查询字符串，这使得筛选复杂数据集变得简单直观。这些操作可以是两个 DataFrame 的列之间，也可以是 DataFrame 的列与标量之间的运算。计算 DataFrame 中的两列之和，并将结果作为新列添加到 DataFrame 中。支持更复杂的表达式，包括使用 Python 的数学函数和条件表达式。
【数据分析】DataFrame.query()
2301_81133727的博客
10-02 2246
在编程中， 方法通常与数据处理库相关，特别是在使用Pandas处理数据时。Pandas是一个强大的Python数据分析库，它提供了快速、灵活和表达能力强的数据结构，旨在使数据清洗和分析工作变得更加简单易行。在Pandas中， 方法允许你使用字符串表达式来筛选DataFrame中的数据。这个方法非常适合于快速的交互式数据分析，因为它允许你使用类似于SQL的查询语法来选择数据。 expr：查询表达式，字符串格式。 inplace：布尔值，默认为False。如果为True，则修改原始DataFrame。 kwa
【Pandas】pandas DataFrame query
weixin_39648905的博客
04-20 1072
`pandas.DataFrame.query(expr, *[, inplace])` 方法用于使用字符串表达式来筛选 DataFrame 中的行。这个方法允许你以更简洁和易读的方式编写复杂的条件过滤逻辑。
pandas dataframe使用query进行多个条件快速筛选
热门推荐
呆萌的代Ma
10-11 1万+
对于dataframe格式的数据，使用多个筛选条件筛选时，建议使用query()： 使用query关键词不会产生新的空间开销，可以更加节省内存 在小样本下效率低于传统方法(比如q1_2)，但是在大样本下效率高于传统方法 案例 生成数据： import pandas as pd import numpy as np df = pd.DataFrame(np.random.randint(0, 10, size=(1000, 3)), columns=['a', 'b', 'c']) 筛选条件：a列 &
pandas—pandas.DataFrame.query与pandas.DataFrame.reset_index
柳杰的博客
01-17 702
文章目录1.pandas.DataFrame.query官方案例2.pandas.DataFrame.reset_index官方案例将reset_index与MultiIndex一起使用 1.pandas.DataFrame.query 官网 DataFrame.query(expr, inplace=False, **kwargs) 描述 使用布尔表达式查询DataFrame的列 参数 expr : str 要计算的查询字符串 inplace : bool 查询是应该修改数据还是返回修改后的副
10个快速入门Query函数使用的Pandas的查询示例
数据派THU
08-15 1264
来源：Deephub Imba 本文约2600字，建议阅读5分钟在本文中整理了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。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 Dat...
pandas dataframe query使用
qq_44821149的博客
02-08 395
发现datadrame里有个很好用的检索功能，query（query可以利用外部变量进行筛选）。列如： 再如： df.query在很多情况下，可以起到非常好的效果。可以参考这篇更为详细的教程： Pandas查询数据df.query
【DataFrame.eval的介绍】包括np.allclose(), np.random.RandomState()
Kratzdisteln的博客
07-24 1115
提纲挈领一下，就是RandomState有一个关键字参数size默认为None如果size为None，则生成并返回一个值；如果size是一个整数，则返回一个填充生成值的一维数组；如果size是元组，然后填充并返回一个具有该形状的数组我们可以把传入的数字看做是随机数生成器的id（唯一！
dataframe.query() 筛选 tips
domodo2012的博客
02-02 2690
dataframe.query() 筛选数据的一些操作
Python Pandas库DataFrame数据结构
体系化很难，碎片归纳很简单。
03-29 662
Pandas库是在NumPy库基础上开法的一种数据分析工具。
python - DataFrame查询数据操作
m0_74051333的博客
06-07 1464
学习目标 掌握获取df一列或多列数据的方法 知道loc和iloc的区别以及使用方法 知道df的query函数的使用方法 知道isin函数的作用和使用方法 获取DataFrame子集的基本方法 1.1 从前从后获取多行数据 案例中用到的数据集在文章顶部 LJdata.csv 前景回顾 head() & tail() import pandas as pd ​ # 加载csv数据集 df = pd.read_csv('LJdata.cs
DataFrame查询数据操作
weixin_58305115的博客
10-15 1680
df.head([n]) 返回前n行数据, 默认返回前5行。df.tail([n]) 返回后n行数据, 默认返回后5行。布尔值向量：完全由布尔值组成的一维数据，布尔值向量形式为。通过行名(行索引值、行索引名)、列名获取子集。1）获取第2行和第5行，注意索引是从0开始。布尔值构成的numpy.narray。3）获取第2行到第9行且布长为3。的布尔值个数必须和df的行数(3）获取面积>80的行数据。1）获取索引是偶数行数据。2）获取索引为奇数的行数据。布尔值构成的series。2）获取第1行和第4行。
Pandas入门篇（二）-------Dataframe篇2（Dataframe数据的处理！巨详细易懂，适合新手！）（机器学习前置技术栈）
2301_77539454的博客
04-24 2626
Dataframe在进行数据清洗和预处理时，我们需要遵循一定的步骤和原则。首先，我们需要对数据进行整体的了解和探索，包括数据的来源、结构、分布以及存在的问题等。然后，我们可以根据问题的具体情况选择合适的方法进行清洗和处理。例如，对于缺失值，我们可以选择填充、删除或插值等方法；对于重复值，我们可以选择删除或合并等方法。同时，我们还需要注意保留数据的原始信息和特征，避免在清洗过程中引入新的误差或偏差。本篇详细的介绍了Dataframe进行数据清洗和预处理的api和原则。
pandas.query()函数怎么使用？
最新发布
07-07
### 三级标题：pandas.query() 函数的使用方法 `pandas.query()` 是一种用于筛选 DataFrame 数据的强大工具，它允许通过字符串表达式对数据进行过滤。相比传统的布尔索引方式，`query()` 提供了更简洁、可读性更强的语法形式，并且在底层使用 `eval()` 函数对表达式进行求值，从而返回满足条件的子集 [^1]。 #### 基本语法与参数说明 `query()` 的基本调用格式如下： ```python df.query(expr, inplace=False, **kwargs) ``` - `expr`: 字符串类型的查询表达式，用于指定过滤条件。 - `inplace`: 是否在原数据上修改，默认为 `False`。 - `**kwargs`: 可选参数，用于控制表达式的解析环境，例如变量前缀等 [^2]。 #### 使用示例 ##### 单一条件过滤 可以使用简单的比较操作符进行过滤。例如，从一个包含数值列的 DataFrame 中筛选出 `value_1 > 5` 的记录： ```python import pandas as pd import numpy as np values_1 = np.random.randint(10, size=10) years = np.arange(2010, 2020) groups = ['A','A','B','A','B','B','C','A','C','C'] df = pd.DataFrame({'group': groups, 'year': years, 'value_1': values_1}) # 筛选出 value_1 大于 5 的行 filtered_df = df.query('value_1 > 5') print(filtered_df) ``` ##### 多条件组合过滤 使用逻辑运算符 `&`（与）、`|`（或）和 `~`（非）来构建复合条件。注意每个条件需要用括号包裹： ```python # 筛选出 group 为 'A' 且 year 大于 2015 的记录 result = df.query("group == 'A' & year > 2015") print(result) ``` ##### 使用外部变量 可以通过 `@` 符号引用外部定义的变量，实现动态查询。例如，筛选出 `c` 列不在某个列表中的行： ```python query_list = [1, 2] df_2 = df.query('c not in @query_list')[['a', 'b']] print(df_2) ``` ##### 时间序列或字符串字段的处理 对于字符串字段，可以直接使用 `'=='` 或 `'!='` 进行匹配；对于时间序列字段，也可以结合日期比较进行筛选： ```python # 筛选出 group 为 'B' 的记录 df.query("group == 'B'") ``` ##### 多层索引（MultiIndex）下的查询 如果 DataFrame 包含多层索引结构，也可以直接在 `query()` 中引用层级名称进行筛选： ```python from pandas import MultiIndex arrays = [ ['bar', 'bar', 'baz', 'baz', 'foo', 'foo', 'qux', 'qux'], ['one', 'two', 'one', 'two', 'one', 'two', 'one', 'two'] ] index = MultiIndex.from_arrays(arrays, names=['first', 'second']) df_multi = pd.DataFrame(np.random.randn(8, 4), index=index, columns=['C1', 'C2', 'C3', 'C4']) # 查询 first 层为 'bar' 的所有记录 result = df_multi.query("first == 'bar'") print(result) ``` #### 注意事项 - 表达式中列名不能包含空格或特殊字符，若必须使用，则应确保其可用性或使用反引号（\`）包裹。 - 对于性能敏感的场景，`query()` 在大数据集上可能比向量化操作稍慢，但其代码可读性和简洁性使其在多数情况下仍具优势 [^4]。 - 若需频繁执行复杂查询，建议结合 `numexpr` 引擎以提升性能。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值