Pandas是一个强大的Python库，用于数据处理和分析。一个常见的任务是根据应用于特定列的条件选择DataFrame中的行。本文探讨了三种高效的方法来检索满足给定条件的行索引。
目录
布尔索引：一种简单有效的方法
布尔索引为简单的选择条件提供了一种简洁高效的解决方案。它直接利用条件的真假性来过滤行。
让我们用一个例子来说明：
import pandas as pd
data = {'col1': [1, 2, 3, 4, 5],
'col2': [6, 7, 8, 9, 10],
'col3': ['A', 'B', 'C', 'D', 'E']}
df = pd.DataFrame(data)
print(df)
# 获取'col1'大于2的行索引
indices = df[df['col1'] > 2].index.tolist()
print(indices) # 输出: [2, 3, 4]
这段代码首先创建一个布尔掩码(df['col1'] > 2)，然后用它来过滤DataFrame，最后使用.index.tolist()提取所选行的索引。
利用NumPy的np.where()函数实现灵活选择
NumPy的np.where()函数提供了一种更通用的方法，对于复杂的条件或多个同时存在的条件特别有用。
import numpy as np
indices = np.where(df['col1'] > 2)[0].tolist()
print(indices) # 输出: [2, 3, 4]
np.where(df['col1'] > 2)返回一个元组；第一个元素包含满足条件的索引数组。我们使用[0]访问此元素，并使用.tolist()将其转换为列表。
使用Pandas的query()方法进行可读性强的复杂查询
query()方法增强了可读性，尤其是在处理复杂条件时。它允许使用字符串表达式指定条件。
indices = df.query('col1 > 2').index.tolist()
print(indices) # 输出: [2, 3, 4]
# 多条件示例
indices = df.query('col1 > 2 and col2 < 9').index.tolist()
print(indices) # 输出: [2]
query()方法直接接受条件的字符串表示，显著提高了可读性，尤其是在有多个或复杂条件的情况下。
结论：每种方法都能有效地根据条件检索索引。布尔索引最适合简单的条件；np.where()处理更复杂的场景；而query()在高级过滤的可读性方面表现出色。