Pandas DataFrame高级筛选：理解isin()与直接相等==的差异

本文深入探讨pandas dataframe中`isin()`方法与直接相等运算符`==`在进行数据筛选时的关键区别。通过具体案例分析，我们阐明了`isin()`用于检查元素是否存在于一个集合中，而`==`用于执行元素级的精确匹配。理解这两种筛选机制对于避免常见错误、高效准确地处理数据至关重要，特别是在需要根据列间特定关系进行筛选的场景。

在Pandas数据处理中，根据特定条件筛选DataFrame是日常操作。然而，选择正确的筛选方法至关重要，尤其是在处理涉及多列之间关系的复杂条件时。本文将详细对比isin()方法和直接相等运算符==在DataFrame筛选中的应用与区别，并通过一个具体的场景进行说明。

isin()方法的工作原理

isin()方法用于检查DataFrame或Series中的每个元素是否包含在提供的值集合中。这个集合可以是一个列表、一个Series或一个DataFrame。当用于筛选时，它会返回一个布尔Series，指示对应位置的元素是否在目标集合内。

示例场景分析： 假设我们有一个名为views的DataFrame，记录了文章的浏览信息，包含article_id（文章ID）、author_id（作者ID）和viewer_id（浏览者ID）等列。

import pandas as pd

data = {
    'article_id': [1, 4, 2, 3, 5],
    'author_id': [3, 5, 7, 3, 6],
    'viewer_id': [5, 6, 7, 8, 6],
    'view_date': ['2019-08-01', '2019-08-02', '2019-08-01', '2019-08-03', '2019-08-04']
}
views = pd.DataFrame(data)

print("原始DataFrame views:")
print(views)

原始DataFrame views:
   article_id  author_id  viewer_id   view_date
0           1          3          5  2019-08-01
1           4          5          6  2019-08-02
2           2          7          7  2019-08-01
3           3          3          8  2019-08-03
4           5          6          6  2019-08-04

如果我们尝试使用views['author_id'].isin(views.viewer_id)来筛选数据，其意图可能是找出那些作者ID出现在任何浏览者ID列表中的记录。

# 使用 isin() 进行筛选
filtered_by_isin = views[views['author_id'].isin(views.viewer_id)]
print("\n使用 isin() 筛选结果 (views['author_id'].isin(views.viewer_id)):")
print(filtered_by_isin)

isin()筛选结果分析：views.viewer_id的唯一值集合是 {5, 6, 7, 8}。

• author_id为3：在viewer_id集合中没有3，所以views.viewer_id中不包含3。
• author_id为5：在viewer_id集合中包含5（对应article_id为1的记录），所以views.author_id中值为5的行会被选中。
• author_id为7：在viewer_id集合中包含7（对应article_id为2的记录），所以views.author_id中值为7的行会被选中。
• author_id为6：在viewer_id集合中包含6（对应article_id为4和5的记录），所以views.author_id中值为6的行会被选中。

因此，isin()筛选的结果会包含所有author_id在views.viewer_id集合中出现过的行。这通常意味着查找“任何作者，只要TA也曾作为浏览者出现过”，而不是“作者浏览了自己的文章”。

直接相等运算符==的工作原理

直接相等运算符==用于对两个Series或DataFrame进行元素级的比较。它会逐行（或逐列）比较对应位置的元素，只有当两个元素完全相等时才返回True，否则返回False。

示例场景分析： 回到我们的views DataFrame，如果我们想找出那些“作者本人浏览了自己的文章”的记录，这意味着我们寻找的是author_id和viewer_id在同一行上相等的情况。

# 使用直接相等运算符 == 进行筛选
filtered_by_equality = views[views['author_id'] == views['viewer_id']]
print("\n使用 == 筛选结果 (views['author_id'] == views['viewer_id']):")
print(filtered_by_equality)

==筛选结果分析：

来画数字人直播

来画数字人自动化直播，无需请真人主播，即可实现24小时直播，无缝衔接各大直播平台。

0

查看详情

• 对于第一行 (article_id 1): author_id (3) != viewer_id (5) -> False
• 对于第二行 (article_id 4): author_id (5) != viewer_id (6) -> False
• 对于第三行 (article_id 2): author_id (7) == viewer_id (7) -> True
• 对于第四行 (article_id 3): author_id (3) != viewer_id (8) -> False
• 对于第五行 (article_id 5): author_id (6) == viewer_id (6) -> True

因此，views['author_id'] == views['viewer_id']只会返回author_id和viewer_id在同一行上值相同的记录。这精确地符合了“作者浏览了自己的文章”这一语义。

总结与最佳实践

何时使用哪个方法：

• 使用 isin()： 当你需要检查一个列中的值是否包含在另一个（或多个）列的所有唯一值集合中，或者是否包含在一个预定义的列表/集合中时。例如，找出所有作者ID出现在任何浏览者ID列表中的记录。
• 使用 ==： 当你需要进行逐行、元素级的比较，判断两个列在同一行上的值是否完全相等时。例如，找出所有作者ID和浏览者ID完全相同的记录（即作者浏览了自己的文章）。

最终解决方案（以查找浏览自己文章的作者为例）：

根据上述分析，如果目标是找出那些浏览了自己文章的作者（即author_id与viewer_id相同），正确的Pandas代码应该是：

# 1. 筛选出作者浏览自己文章的记录
self_viewed_articles = views[views['author_id'] == views['viewer_id']]

# 2. 提取这些记录中的作者ID
author_ids = self_viewed_articles['author_id']

# 3. 去除重复的作者ID，并进行排序（如果需要）
result_df = pd.DataFrame({'id': author_ids.unique()}).sort_values('id')

print("\n最终结果 (浏览自己文章的唯一作者ID):")
print(result_df)

最终结果 (浏览自己文章的唯一作者ID):
   id
0   6
1   7

通过精确理解isin()和==的语义差异，我们可以更准确、高效地编写Pandas代码，避免因误解而导致的数据筛选错误。在处理数据时，务必仔细分析业务需求，选择最符合逻辑的筛选方法。

以上就是Pandas DataFrame高级筛选：理解isin()与直接相等==的差异的详细内容，更多请关注php中文网其它相关文章！