Pandas通过布尔索引实现多条件筛选，使用“&”（AND）、“|”（OR）组合多个条件，如(df['Age'] > 25) & (df['City'] == 'New York')，需注意括号优先级。
在Pandas中，要筛选DataFrame的数据，核心思想就是布尔索引（Boolean Indexing）。简单来说，就是你给DataFrame一个True/False的序列，Pandas会根据这个序列，只保留那些对应位置为True的行。这方法灵活得很，能让你根据各种条件，无论是数值、文本还是时间，精准地把你需要的数据“捞”出来。
说实话，第一次接触DataFrame筛选的时候，我个人觉得它有点像是在玩一个高级的“找不同”游戏。你设定好规则，然后Pandas就帮你把符合规则的数据找出来。最基础的筛选，就是直接把你的条件表达式写在DataFrame的方括号里。
假设我们有一个叫
df的DataFrame，里面有
Name,
Age,
City,
Score这些列。
import pandas as pd
import numpy as np
# 示例数据
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve', 'Frank', 'Grace', 'Heidi', 'Ivan', 'Judy'],
'Age': [24, 27, 22, 32, 29, 35, 26, 30, 23, 28],
'City': ['New York', 'London', 'Paris', 'New York', 'London', 'Paris', 'New York', 'London', 'Paris', 'New York'],
'Score': [85, 92, 78, 95, 88, 70, 91, 83, 75, 90],
'Enrollment_Date': pd.to_datetime(['2020-01-15', '2019-03-22', '2021-07-01', '2018-11-10', '2020-05-01', '2017-09-01', '2021-02-28', '2019-10-05', '2022-04-12', '2020-08-18']),
'Is_Active': [True, False, True, True, False, True, True, False, True, True],
'Comments': ['Good', 'Average', np.nan, 'Excellent', 'Needs Improvement', 'Good', 'Excellent', 'Average', 'Good', 'Excellent']
}
df = pd.DataFrame(data)
print(df) # 原始DataFrame
# 1. 单条件筛选：筛选出年龄大于25岁的人
# 核心就是生成一个布尔序列，然后用它来索引DataFrame
filtered_age = df[df['Age'] > 25]
print("\n年龄大于25岁的数据:")
print(filtered_age)
# 2. 筛选特定城市的人
filtered_city = df[df['City'] == 'New York']
print("\n城市是New York的数据:")
print(filtered_city)
# 3. 筛选布尔列
filtered_active = df[df['Is_Active']] # 或者 df[df['Is_Active'] == True]
print("\n活跃用户数据:")
print(filtered_active)
# 4. 结合loc进行筛选：这种方式更明确，也更推荐
# loc的第一个参数是行选择器，第二个是列选择器
filtered_loc = df.loc[df['Score'] > 80, ['Name', 'City', 'Score']]
print("\n分数大于80，并只显示姓名、城市和分数:")
print(filtered_loc)这基本上就是Pandas筛选的起点。你会发现，所有的复杂筛选，最终都归结于如何构造那个布尔序列。掌握了这个，你几乎就能应对所有数据筛选的场景了。
立即学习“Python免费学习笔记（深入）”；
Pandas DataFrame如何实现多条件筛选，以及AND和OR的运用？
在实际的数据分析中，我们很少会只根据一个条件来筛选数据。通常，我们需要同时满足几个条件，或者满足其中之一
