pandas.DataFrame.query #

数据框。查询( expr , * , inplace = False , ** kwargs ) [来源] #

使用布尔表达式查询 DataFrame 的列。

参数：

表达式字符串

要评估的查询字符串。

您可以通过在变量前面加上“@”字符（如）来引用环境中的变量。@a + b

您可以通过用反引号括起非有效 Python 变量名的列名来引用这些列名。因此，包含空格或标点符号（下划线除外）或以数字开头的列名必须用反引号括起来。（例如，名为“面积 (cm^2)”的列将被引用为）。不能使用 Python 关键字（如“list”、“for”、“import”等）的列名。`Area (cm^2)`

例如，如果您的某一列被调用并且您想将其与相加，则您的查询应该是。a ab`a a` + b

就地布尔值

是否修改 DataFrame 而不是创建一个新的。

**夸格

eval()有关接受的关键字参数的完整详细信息，请参阅的文档DataFrame.query()。

返回：

数据框或无: 由提供的查询表达式生成的 DataFrame 或 None if inplace=True。

也可以看看

eval: 评估描述 DataFrame 列操作的字符串。
DataFrame.eval: 评估描述 DataFrame 列操作的字符串。

笔记

该表达式的求值结果首先被传递到 DataFrame.loc，如果由于多维键（例如 DataFrame）而失败，则结果将被传递到DataFrame.__getitem__()。

此方法使用顶级eval()函数来评估传递的查询。

该query()方法默认使用稍微修改过的 Python 语法。例如，&and （按位）运算符具有其布尔表兄弟和| 的优先级。这在语法上是有效的 Python，但语义不同。andor

您可以通过传递关键字参数来更改表达式的语义parser='python'。这强制执行与 Python 空间中的求值相同的语义。同样，您可以engine='python' 使用 Python 本身作为后端来评估表达式。不建议这样做，因为numexpr与用作引擎相比效率较低。

实例的 DataFrame.index和属性默认放置在查询命名空间中，这允许您将框架的索引和列视为框架中的列。标识符用于帧索引；您还可以使用索引的名称在查询中识别它。请注意，Python 关键字不能用作标识符。DataFrame.columnsDataFrameindex

有关更多详细信息和示例，请参阅索引query中的文档。

反引号引用的变量

反引号引用的变量被解析为文本 Python 代码，并在内部转换为 Python 有效标识符。这可能会导致以下问题。

在解析过程中，反引号引起来的字符串中的许多不允许的字符将被允许作为 Python 标识符的字符串替换。这些字符包括Python中的所有运算符、空格字符、问号、感叹号、美元符号和欧元符号。对于 ASCII 范围 (U+0001..U+007F) 之外的其他字符以及 PEP 3131 中未进一步指定的字符，查询解析器将引发错误。这排除了与空格字符不同的空白，但也排除了主题标签（因为它用于注释）和反引号本身（反引号也不能被转义）。

在特殊情况下，在反引号周围形成一对的引号可能会使解析器感到困惑。例如，会引发错误，因为它形成一个带反引号的带引号的字符串 ( )。`it's` > `that's`'s > `that'

另请参阅有关词法分析的 Python 文档 ( https://docs.python.org/3/reference/lexical_analysis.html ) 以及中的源代码pandas.core.computation.parsing。

例子

>>> df = pd.DataFrame({'A': range(1, 6),
...                    'B': range(10, 0, -2),
...                    'C C': range(10, 5, -1)})
>>> df
   A   B  C C
0  1  10   10
1  2   8    9
2  3   6    8
3  4   4    7
4  5   2    6
>>> df.query('A > B')
   A  B  C C
4  5  2    6

前面的表达式相当于

>>> df[df.A > df.B]
   A  B  C C
4  5  2    6

对于名称中含有空格的列，您可以使用反引号引用。

>>> df.query('B == `C C`')
   A   B  C C
0  1  10   10

前面的表达式相当于

>>> df[df.B == df['C C']]
   A   B  C C
0  1  10   10