1. 在DataFrame中進行數據過濾的基礎
為什麼需要過濾？
就像你最愛的自拍應用程式中的濾鏡一樣， pandas 的過濾功能幫助我們專注於最重要的事情。 我們可以排除不必要的數據，只保留真正有用的部分。 對於數據分析來說，這是一個基本的工具，特別是當我們需要 為報表做準備或處理大量數據時。
我們的第一次過濾
讓我們從一個簡單的例子開始。我們有一個DataFrame，
包含商品銷售資訊：
import pandas as pd
data = {
"商品": ["橘子", "香蕉", "蘋果", "橘子", "蘋果"],
"數量": [10, 5, 8, 7, 6],
"價格": [3.5, 2.0, 4.0, 3.0, 4.5]
}
df = pd.DataFrame(data)
# 按商品名稱過濾數據
filtered_df = df[df["商品"] == "橘子"]
print(filtered_df)
使用條件
我們可以像多重濾鏡一樣結合條件！ 例如，找到數量大於 6 並且價格不超過 3.5 的所有商品：
# 使用 & (邏輯「和」) 結合條件
filtered_df = df[(df["數量"] > 6) & (df["價格"] <= 3.5)]
print(filtered_df)
記住要點
別忘了，在 pandas 中，我們用方括號來創建過濾器， 用小括號來撰寫條件。你可不想成為「那個人」， 忘記括號然後出錯了吧？
2. 數據排序
為什麼排序這麼重要？
數據排序讓我們在混亂中看清結構與順序（如果數據集中真有混亂的話）。 比方說，想像一下你身處圖書館，而書籍被隨意堆放——簡直噩夢！排序則能把信息 組織起來，不論是為了分析、報表或僅僅是找到需要的值。
按單一欄位排序
讓我們將DataFrame按商品價格升序排列：
# 按價格升序排序
sorted_df = df.sort_values(by="價格")
print(sorted_df)
按多個欄位排序
想像一下你需要先按數量排序，若數量相同則按價格排序， 而且要降序排列。以下是完成此操作的方法：
# 按數量與價格排序
sorted_df = df.sort_values(by=["數量", "價格"], ascending=[True, False])
print(sorted_df)
排序的注意事項
注意ascending參數。它讓你指定以升序或降序進行排序。
如果你想「邪惡地」掌控數據，這是個非常方便的功能。
3. 實際應用
實踐任務
是時候將我們的知識應用於實際情境了！假設你是 一家銷售小工具公司的分析師。你的任務是找到 銷量超過 100 件的所有手機型號， 並按利潤降序排列。
# 手機銷售數據
data = {
"型號": ["Phone X", "Phone Y", "Phone Z", "Phone X", "Phone Y"],
"銷量": [120, 150, 90, 130, 80],
"利潤": [200, 180, 220, 210, 190]
}
df = pd.DataFrame(data)
# 過濾銷量超過 100 的型號
filtered_df = df[df["銷量"] > 100]
# 按利潤降序排序
sorted_df = filtered_df.sort_values(by="利潤", ascending=False)
print(sorted_df)
分析與討論
使用過濾與排序的組合來提取 對你或你的報告真正重要且有趣的數據。 就像任何其他工具一樣，過濾與排序隨著練習越來越強大。 別忘記，格式良好的數據不僅是分析師的福音， 也是他最大的驕傲。
常見錯誤
一些新手有時會忘記在過濾條件中使用小括號，
這會導致錯誤。就像忘了在鍋子上蓋蓋子——
一切都可能失控。另一個常見錯誤是
在多個字段排序時未正確指定順序。
確保你正確使用ascending，
才不會把一切弄得亂七八糟。
實際應用
在實際操作中，過濾與排序是每個數據分析師不可或缺的工具。 它們幫助迅速從複雜數據集中獲取所需數據， 並為報表準備數據。在現實中，它們無處不在： 從金融科技到醫學研究。例如， 銀行過濾交易以識別可疑活動， 而研究人員排序藥物試驗數據以發現隱藏的關聯。 不用說，熟悉這些工具在面試時也能成為利器。
4. 進一步學習的資源
對於那些想要更深入學習此主題的人，我建議 查看 pandas 官方文檔， 這是了解該庫所有功能的絕佳資源。在那裡，你可以找到 許多範例與解釋，幫助你以專業水平掌握此工具。
GO TO FULL VERSION