---

那年夏天我和你躲在 这一大片宁静的海
直到后来我们都还在 对这个世界充满期待
今年冬天你已经不在 我的心空出了一块
很高兴遇见你 让我终究明白
回忆比真实精彩
                     🎵 王心凌《那年夏天宁静的海》

---

在数据分析中，Pandas 是一个强大且灵活的工具包，为数据操作和分析提供了丰富的功能。where 方法是 Pandas 中一个非常实用的功能，它允许我们基于条件筛选和处理数据。本文将详细介绍 where 方法的用法，帮助你在数据处理中更高效地进行条件筛选和替换操作。

什么是 where 方法？

where 方法用于基于一个布尔条件筛选 DataFrame 或 Series 中的元素。它保留满足条件的元素，对于不满足条件的元素，where 方法可以将其替换为指定的值（默认情况下为 NaN）。

where 方法的基本语法

DataFrame.where(cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False)

cond: 一个布尔条件，可以是 DataFrame 或 Series。元素为 True 的位置会保留原值，False 的位置会被替换。
other: 替换值，默认是 NaN。
inplace: 是否在原 DataFrame 上进行操作，默认为 False。如果设为 True，将在原 DataFrame 上进行修改。
axis: 应用条件的轴，默认为 None。
level: 如果目标是 MultiIndex（层次化索引），可以指定级别。
errors: 错误处理方式，默认为 ‘raise’。
try_cast: 尝试转换到相同的类型，默认为 False。

基本用法示例

以下是一些具体示例，展示如何在不同场景下使用 where 方法。

示例 1：基于条件筛选

假设我们有一个包含学生成绩的 DataFrame，我们希望筛选出所有及格（分数>=60）的成绩，其余的替换为 NaN。

import pandas as pd
import numpy as npdata = {'Math': [58, 80, 90, 45, 60], 'English': [75, 65, 50, 80, 85]}
df = pd.DataFrame(data)# 使用 where 方法进行条件筛选
df_passing = df.where(df >= 60)
print(df_passing)

输出：

   Math  English
0   NaN     75.0
1  80.0     65.0
2  90.0      NaN
3   NaN     80.0
4  60.0     85.0

示例 2：指定替换值

我们可以指定一个替换值，而不是默认的 NaN。例如，将不及格的成绩替换为 0。

df_passing = df.where(df >= 60, other=0)
print(df_passing)

输出：

   Math  English
0     0       75
1    80       65
2    90        0
3     0       80
4    60       85

示例 3：多重条件筛选

我们可以基于多个条件进行筛选。例如，将数学和英语成绩都及格的学生成绩保留，其余替换为 NaN。

df_passing = df.where((df['Math'] >= 60) & (df['English'] >= 60))
print(df_passing)

输出：

   Math  English
0   NaN     75.0
1  80.0     65.0
2   NaN      NaN
3   NaN      NaN
4  60.0     85.0

示例 4：在原 DataFrame 上进行操作

如果我们希望在原 DataFrame 上直接进行修改，可以使用 inplace=True。

df.where(df >= 60, other=0, inplace=True)
print(df)

输出：

   Math  English
0     0       75
1    80       65
2    90        0
3     0       80
4    60       85

总结

Pandas 的 where 方法是一个功能强大的工具，用于基于条件筛选和替换数据。它不仅可以帮助我们快速筛选满足特定条件的数据，还能灵活地处理不满足条件的数据。通过本文的介绍，希望你能在实际数据处理中更好地应用 where 方法，提高数据处理的效率和准确性。无论是进行简单的条件筛选还是复杂的多重条件处理，where 方法都能为你的数据分析工作提供极大的便利。