一、复杂查询

1.1 逻辑筛选数据

以下是切片（[]）的一些逻辑筛选示例：

df[df['Q1'] == 8]    # Q1等于8
df[~(df['Q1'] == 8)]    # 不等于8
df[df.Q1 > df.Q2]    

以下是.loc[]的一些实例：

# 表达式与切片一致
df.loc[df['Q1'] > 90, 'Q1':]    # Q1大于90，显示Q1及其后所有列
df.loc[(df.Q1 > 80) & (df.Q2 < 15)]
df.loc[(df.Q1 > 90) | (df.Q2 < 90)]

需要注意的是，在进行或（|）、与(&)、非（~）运算时，各个独立逻辑表达式需要用括号括起来。

1.2 函数筛选

可以在表达式处使用lambda函数，默认变量是其操作的对象。如果操作的对象是一个DataFrame，那么变量就是这个DataFrame；如果是一个Series，那么就是这个Series。以下的例子中，s就是指df.Q1这个Series。

# 查询最大索引的值
df.Q1[lambda s: max(s.index)]    # 值为21
# 计算最大值
max(df.Q1.index)    # 99
df.Q1[df.index==99]

下面是一些示例：

df[lambda df: df['Q1'] == 8]    # Q1为8的
df.loc[lambda df: df.Q1 == 8, 'Q1':'Q2']    # Q1为8，显示Q1、Q2
df.loc[:, lambda df: df.columns.str.len()==4]

1.3 isin()函数

该函数用于判断数据是否包含指定内容。可以传入一个列表，原数据只需要满足其中一个存在即可；也可以传入一个字典，键为列名，值为需要匹配的值，以实现按列个性化匹配存在的值。

df[df.team.isin(['A', 'B'])]    # 包含A、B两组的
df[df.isin({'team':['C', 'D'], 'Q1':[36, 93]})]

1.4 查询df.query()

df.query(expr)使用布尔表达式查询DataFrame的列，表达式是一个字符串，类似于SQL中的where从句，相当灵活。

df.query('Q1 > Q2 > 90')
df.query('Q1 + Q2 > 180')
df.query('(Q1<50) & (Q2>40) and (Q3>80)')    # &和and效果一样
df.query('team !="C"')
df.query('team not in("E", "A", "B")')

还支持@符号引入变量

a = df.Q1.mean()
df.query('Q1 > @a+40')    # 大于平均分40分
df.query('Q1 > `Q2`+@a')

df.eval()与df.query()类似，也可以用于表达式筛选：

df[df.eval("Q1 > Q2 > 90")]

1.5 df.filter()对行名和列名进行筛选

df.filter()支持对行名和列名进行筛选，支持模糊匹配，正则表达式。

df.filter(items=['Q1', 'Q2'])    # 选择两列
df.filter(regex='Q', axis=1)    # 列名包含Q的列
df.filter(regex='m$', axis=1)     # 以m结尾的列
df.filter(regex='r$', axis=0)    # 行索引以r结尾的行
df.filter(regex='^R', axis=0).filter(like='Q', axis=1)    # 行索引以R开头，列索引名中有Q的