Pandas学习笔记之选择数据的五种常用方法总结

本文总结了Pandas选择数据的五种方法,包括选择单列数据、对行切片、使用loc[]、iloc[]以及通过条件表达式选择。通过实例详细解释了每种方法的使用和区别,帮助读者深入理解Pandas数据操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


首先先创建数据:
在这里插入图片描述

选择单列数据

以下两种方式是等价的
在这里插入图片描述

对行使用切片

在这里插入图片描述
注意两种方式的区别:
df[0:3]就是python切片的基本语法从索引为0的行至索引为2的行,数据个数为3-0个,不包括索引为3的行
df[‘2019-02-27’:‘2019-03-02’]包含首尾在内的行

使用loc[]选择数据

需要注意的是loc[]内不能直接使用索引位置,而是使用列名或行名(也就是index列的取值),所以使用loc[]又称为label方法,注意和下面的iloc[]区分
在这里插入图片描述

使用iloc[]通过索引下标值选择数据

与loc[]不同的是iloc[]通过索引下标值选择数据
在这里插入图片描述

使用条件表达式选择数据

在这里插入图片描述
总结结束啦

内容概要:该研究通过在黑龙江省某示范村进行24小实地测试,比较了燃煤炉具与自动/手动进料生物质炉具的污染物排放特征。结果显示,生物质炉具相比燃煤炉具显著降低了PM2.5、CO和SO2的排放(自动进料分别降低41.2%、54.3%、40.0%;手动进料降低35.3%、22.1%、20.0%),但NOx排放未降低甚至有所增加。研究还发现,经济性和便利性是影响生物质炉具推广的重要因素。该研究不仅提供了实际排放数据支持,还通过Python代码详细复现了排放特征比较、减排效果计算和结果可视化,进一步探讨了燃料性质、动态排放特征、碳平衡计算以及政策建议。 适合人群:从事环境科学研究的学者、政府环保部门工作人员、能源政策制定者、关注农村能源转型的社会人士。 使用场景及目标:①评估生物质炉具在农村地区的推广潜力;②为政策制定者提供科学依据,优化补贴政策;③帮助研究人员深入了解生物质炉具的排放特征和技术改进方向;④为企业研发更高效的生物质炉具提供参考。 其他说明:该研究通过大量数据分析和模拟,揭示了生物质炉具在实际应用中的优点和挑战,特别是NOx排放增加的问题。研究还提出了多项具体的技术改进方向和政策建议,如优化进料方式、提高热效率、建设本地颗粒厂等,为生物质炉具的广泛推广提供了可行路径。此外,研究还开发了一个智能政策建议生成系统,可以根据不同地区的特征定制化生成政策建议,为农村能源转型提供了有力支持。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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