來源：Python數據之道 (ID:PyDataLab)
作者：陽哥
大家好，我是陽哥。
Pandas 可以說是 在Python數據科學領域應用最為廣泛的工具之一。
Pandas是一種高效的數據處理庫，它以 dataframe 和 series 為基本數據類型，呈現出類似excel的二維數據。
在數據處理過程中，咱們經常會用到數據篩選，Pandas 中提供了數據篩選的多種方法，這裡，陽哥來給大家分享下 在Pandas中應用 query 函數來進行數據篩選。
query 函數的一般用法如下：
df.query('expression')
文中的代碼是在 Jupyter Notebook 中運行的（也可以是其他IDE），本次使用的 Pandas 版本是 1.3.0 版，如下：
import pandas as pd
print(f'pandas version: {pd.__version__}')
# pandas version: 1.3.0rc1
在開始之前，先創建一份數據，供後續使用：
data = {
'brand':['Python數據之道','價值前瞻','菜鳥數據之道','Python','Java'],
'A':[10,2,5,20,16],
'B':[4,6,8,12,10],
'C':[8,12,18,8,2],
'D':[6,18,14,6,12],
'till years':[4,1,1,30,30]
}
df = pd.DataFrame(data=data)
df
數據如下：
常用方法篩選 "brand" 列中值為 "Python數據之道" 的行，如下：
df.query('brand == "Python數據之道"')
結果如下：
說明一下，上面代碼中的單引號和雙引號是可以互換的，下面的寫法，其結果也是一樣的：
df.query(" brand == 'Python數據之道' ")
上面用 query 函數篩選數據，用下面的方法也是可以實現的：
df[df['brand']=="Python數據之道"]
上面是篩選字符串的值，也可以是篩選數字，如下：
通過數學表達式篩選除了直接通過等於某個值來篩選， query 函數還支持通過數學表達式來進行數據篩選，包括 >、 <、 +、 -、 *、 / 等。
示例如下：
通過變量篩選在程序比較長的時候，經常會使用變量來作為篩選條件， query 函數在使用變量作為判斷標準時，通過在變量前面添加 @ 符號來實現，示例如下：
# 通過變量來篩選數據，在變量前使用 @ 符號即可
name = 'Python數據之道'
df.query('brand == @name')
列表數據篩選當需要在某列中篩選多個符合要求的值的時候，可以通過列表（list）來實現，示例如下：
# 需要注意下 雙引號 和 單引號的分開使用
df.query('brand in ["Python數據之道","價值前瞻"]')
# df.query("brand in ['Python數據之道','價值前瞻']")
多條件篩選有很多情況下，咱們需要通過多個條件來篩選數據，query 函數支持多種條件的組合，
兩者都需要滿足的並列條件使用符號 &,或 單詞 and只需要滿足其中之一的條件使用符號 |,或 單詞 or示例如下：
列名稱有空格的情況當 dataframe 的列名稱中有空格或其他特殊符號的時候，需要使用 反引號（backtick mark），即鍵盤ESC鍵下面的按鍵(就是鍵盤上第二排第一個按鍵，有『~』這個符號的按鍵) 來將列名包裹起來，示例如下：
df.query("`till years` < 5")
注意，如果使用單引號，將會報錯，如下：
篩選後選取數據列在數據篩選後，還可以選擇需要的數據列，如下：
小結以上就是關於 Pandas 中 query 函數的主要內容介紹，應用 query函數進行數據篩選，其語言還是比較簡潔的，尤其是當條件比較多的時候，會顯得更優雅。
比如下面的對比，假設都是三個篩選條件（假設數據量較多，符合的結果也較多）：
沒有使用query函數時
df[(df['brand']=="Python數據之道") & (df['A'] >2) & (df['C'] >4)]
可以看出上面的表達式是比較長的，略顯繁瑣。
使用query函數時
df.query(" brand == 'Python數據之道' & A>2 & C>4 ")
相對來說，使用query 函數會顯得更加簡潔，如果覺得這個功能不錯，就趕緊用起來吧~~
大家讀完順手點下右下角的 「在看」 ，就是最大的鼓勵和支持了。