挑出想要的数据

前言

上一章，咱们把记账本这张表看清楚了：一千多行、5 列，每一列是什么类型，心里都有数了。

可是真要回答问题的时候，往往用不着整张表。比如「看病一年花了多少？」，只要医疗那几行就够了；「哪几笔花得最多？」，只要金额大的那几行；「每天的早饭吃了些什么？」，只要名称这一列里的一部分。

所以这一章，就来学怎么从一张大表里，把想要的那部分挑出来。挑法主要有三种：按列挑、按位置挑、按条件挑。为什么要专门花一章来学呢？因为这是 pandas 里用得最多的本事，后面每一章都离不开它。

学这一章之前，需要先学完 数据分析课第 2 章 。

目录

这一章会学到：

• 一、按列挑——一列、几列，以及去掉不要的列
• 二、按位置挑——iloc 和 loc
• 三、按条件挑——一串 True 和 False
• 四、好几个条件——& 、| 、~ 和 isin()
• 五、常见坑
• 六、自己查一次文档——用 between() 挑出一个范围
• 七、小结与回看

学完这一章，脑子里冒出一个问题，你就能把回答它所需要的那部分数据，从表里干干净净地挑出来。

一、按列挑

先从最简单的按列挑说起。上一章已经见过：方括号里写一个列名，就能取出一列；写一个列名的列表，就能取出好几列。不过这里面有一个容易忽略的区别，先运行下面的代码看看：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(type(ledger['item']))
print(type(ledger[['item']]))

输出的结果：

<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>

同样是 item 这一列，用一层方括号，得到的是 Series；用两层方括号，得到的却是 DataFrame，也就是一张只有一列的表。

为什么要分得这么清楚呢？因为两者能做的事不一样：

• Series 是一串值，可以直接 sum() 、unique() 。
• DataFrame 是一张表，打印出来带着列名，还能接着挑行、挑列。

所以，只想要一串值，就用一层方括号；想要的还是一张表，就用两层。

好几列一起取的时候，还有一个小细节：列的顺序，是按你写的顺序来的。

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger[['cost', 'item', 'date']].head(3))

输出的结果：

     cost      item        date
0  2500.0      房租  2026-01-01
1   156.0  水电燃气  2026-01-01
2    13.0      早饭  2026-01-01

cost 写在最前面，打印出来它就排在了第一列。

那要是想要的列很多，不要的只有一两列呢？一个一个地写想要的列，就太麻烦了。这时候反过来，只写不要的那几列更省事，用 drop(columns=[...]) ：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
no_payment = ledger.drop(columns=['payment'])
print(list(no_payment.columns))
print(ledger.shape)

输出的结果：

['date', 'item', 'category', 'cost']
(1354, 5)

先看第一行：payment 这一列已经去掉了。再留意第二行：ledger 还是 5 列。这是因为 drop() 不会改动原来的表，而是返回一张新表。pandas 里大部分方法都是这样，所以要保留结果，就得用一个变量把它接住，比如这里的 no_payment 。

二、按位置挑

列会挑了，那行该怎么挑呢？

最直接的办法，是按位置挑，也就是说「我要第几行」。这时候用 iloc ，方括号里写位置。和列表的下标一样，位置也是从 0 开始数的：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger.iloc[0])

输出的结果：

date        2026-01-01
item              房租
category          居住
cost            2500.0
payment         银行卡
Name: 0, dtype: object

取出一行，得到的也是一个 Series。只不过这回，是把横着的一行竖过来放：左边是列名，右边是这一行的值。最下面的 Name: 0 告诉你，这是行号为 0 的那一行。

一次只取一行，不够用怎么办？可以用切片，一次取好几行。切片的规则也和列表一样，不包括结尾：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger.iloc[9:12])
print(ledger.iloc[-2:])

输出的结果：

          date  item category  cost payment
9   2026-01-02  地铁     交通   6.5    微信
10  2026-01-02  零食     餐饮  12.5  支付宝
11  2026-01-03  午饭     餐饮  27.0  支付宝
            date  item category  cost payment
1352  2026-12-31  地铁     交通   4.0    微信
1353  2026-12-31  零食     餐饮   9.5    微信

iloc[9:12] 取的是位置 9、10、11 这三行，不包括 12。iloc[-2:] 取的是最后两行，因为负数是从后往前数的，这一点也和列表一样。

除了 iloc ，还有一个 loc 。它和 iloc 有什么不同呢？loc 是按行的标签来挑，也就是最左边那一列行号。而且它还能同时用列名挑列：逗号前面写行，逗号后面写列。

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger.loc[0, 'item'])
print(ledger.loc[9:11, ['item', 'cost']])

输出的结果：

房租
    item  cost
9   地铁   6.5
10  零食  12.5
11  午饭  27.0

来看看这两行各取出了什么：

• loc[0, 'item'] 是行号为 0 的那一行、item 那一列，正好就是一个值：房租。
• loc[9:11, ...] 取出了 9、10、11 这三行。注意，它包括结尾的 11，这一点和 iloc 不一样。

把两者放在一起，比一比：

看到这里，有的童鞋可能会觉得：行号和位置不都是 0、1、2 吗，两者好像也差不多？没错，眼下行号和位置是一回事，所以看起来差不多。可是下一节按条件挑完以后，行号就不再是 0、1、2 这样连着的了，到时候区别就出来了。

在那之前，先做一道练习：挑出几行几列，顺便留意一下切片的结尾包不包括。

三、按条件挑

前面挑行，都得先知道要的是第几行。可是大多数时候，咱们并不知道想要的是第几行，只知道它满足什么条件，比如「金额超过 500 元的」「类别是医疗的」。这样的行，该怎么挑出来呢？

先别急着挑，看看拿一整列去做比较，会得到什么：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
big = ledger['cost'] > 500
print(big.head())
print(big.sum())

输出的结果：

0     True
1    False
2    False
3    False
4    False
Name: cost, dtype: bool
12

很多童鞋可能以为，ledger['cost'] > 500 会得到一个 True 或者 False 。其实不是，它得到的是一整串：这一列的每个值，都拿去和 500 比了一次，比完的结果排成一个 Series，类型是 bool 。比如第 0 行是 2500 元的房租，比 500 大，所以是 True 。

那最后那个 12 是怎么来的呢？因为求和的时候，True 当成 1，False 当成 0，加起来就是一共有几个 True 。也就是说，一年里超过 500 元的花销有 12 笔。

有了这一串 True 和 False ，挑行就简单了：把它放进方括号，pandas 就只留下 True 的那些行。

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(ledger[ledger['cost'] > 500])

输出的结果：

            date  item category    cost payment
0     2026-01-01  房租     居住  2500.0  银行卡
116   2026-02-01  房租     居住  2500.0  银行卡
218   2026-03-01  房租     居住  2500.0  银行卡
325   2026-04-01  房租     居住  2500.0  银行卡
441   2026-05-01  房租     居住  2500.0  银行卡
555   2026-06-01  房租     居住  2500.0  银行卡
660   2026-07-01  房租     居住  2500.0  银行卡
781   2026-08-01  房租     居住  2500.0  银行卡
893   2026-09-01  房租     居住  2500.0  银行卡
1004  2026-10-01  房租     居住  2500.0  银行卡
1116  2026-11-01  房租     居住  2500.0  银行卡
1232  2026-12-01  房租     居住  2500.0  银行卡

原来，超过 500 元的全是每个月 1 号交的房租。

这种写法乍一看有点绕：ledger[ ... ] 里面又套着一个 ledger['cost'] 。拆开来读就清楚了：里面那一层，算出一串 True 和 False ；外面那一层，按这一串来挑行。

再看看左边的行号：0、116、218……已经不再是连着的了。这是因为挑出来的行，都保留着它们在原表里的行号。上一节说的区别，这时候就出来了：同一行，用 iloc 和用 loc 来取，写法不一样。

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
rent = ledger[ledger['cost'] > 500]
print(rent.iloc[1]['date'])
print(rent.loc[116, 'date'])

输出的结果：

2026-02-01
2026-02-01

两行输出一样，取到的是同一行。可是在 iloc 眼里，它是「挑出来的第 2 行」，位置是 1；在 loc 眼里，它是「行号为 116 的那一行」。

比较也不只有大于、小于，== 等于、!= 不等于也一样能用。比如，看病一年花了多少钱？

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
health = ledger[ledger['category'] == '医疗']
print(health)
print(health['cost'].sum())

输出的结果：

            date  item category   cost payment
436   2026-04-29  看病     医疗  134.0  支付宝
486   2026-05-11  看病     医疗  193.0  支付宝
537   2026-05-26  看病     医疗  191.0    微信
617   2026-06-16  看病     医疗   83.5    微信
1201  2026-11-21  看病     医疗  216.5    微信
1300  2026-12-18  看病     医疗  204.0    微信
1318  2026-12-23  看病     医疗  159.5    微信
1181.5

这段代码分了两步：先挑出医疗的那几行，再取出金额这一列求和。结果是一年看了 7 次病，一共花了 1181.5 元。「先挑行，再取列，最后算」，这就是 pandas 里最常见的套路。

照着这个套路，先做一道练习：交通一年花了多少？做完了，再来看看条件不止一个的时候，该怎么写。

四、好几个条件

上一节的条件都只有一个。可有些问题，一个条件说不清楚。比如「吃饭的时候，一顿超过 50 元的有几次？」，这里就有两个条件：类别是餐饮，并且金额超过 50 元。

两个条件要同时满足，就用 & 把它们连起来。要注意，每个条件都要用括号括起来：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
pricey = ledger[(ledger['category'] == '餐饮') & (ledger['cost'] > 50)]
print(len(pricey))
print(pricey['item'].unique())

输出的结果：

55
['晚饭']

一共 55 次，而且全是晚饭。也就是说，早饭、午饭再怎么吃，也没有超过 50 元的。

「并且」有了，那「或者」呢？「或者」用 | 。比如，娱乐和学习加起来，一年花了多少？

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
fun_or_study = ledger[(ledger['category'] == '娱乐') | (ledger['category'] == '学习')]
print(fun_or_study['cost'].sum())

输出的结果：

4837.0

这样写没有问题。可是同一列要和好几个值比的时候，一个一个用 | 连起来，代码就太长了。这时候可以用 isin() ，一次就说清楚：「是不是这几个值当中的一个」。

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
fun_or_study = ledger[ledger['category'].isin(['娱乐', '学习'])]
print(fun_or_study['cost'].sum())

输出的结果：

4837.0

结果一样，而且读起来也更像一句话。

最后还有「不是」，用 ~ 。把它放在条件前面，就会把 True 和 False 反过来。比如，不是用微信、也不是用支付宝付的，有几笔？

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
others = ledger[~ledger['payment'].isin(['微信', '支付宝'])]
print(len(others))
print(others['payment'].unique())

输出的结果：

197
['银行卡' '现金']

一共 197 笔，用的是银行卡和现金。

把这几个符号放在一起，对照着看：

看到这里，你也许会问：Python 里明明有 and 、or 、not ，为什么要换成这几个符号？下一节的第一个坑，说的就是它。

五、常见坑

按条件挑行，写法比前面几节都要绕一些，所以坑也最多。咱们先接着上一节留下的问题说。

1、用了 and、or

很多童鞋会很自然地写成这样：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
pricey = ledger[(ledger['category'] == '餐饮') and (ledger['cost'] > 50)]

报错信息的最后一行是：

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

这句报错的意思是：「一个 Series 的真假是说不清的」。为什么说不清呢？因为 and 要先判断左边整个是真还是假，可左边是一千多个 True 和 False ，到底该算真还是算假？Python 没法替你决定，只好报错。

& 就不一样了，它是一个一个对着比：第 0 行和第 0 行比，第 1 行和第 1 行比……得到的还是一串。所以挑行的时候，「并且」写 & ，「或者」写 | ，「不是」写 ~ 。

2、忘了加括号

换成了 & ，可要是嫌括号麻烦，把它们省掉了呢？

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
pricey = ledger[ledger['category'] == '餐饮' & ledger['cost'] > 50]

报错信息的最后一行是：

TypeError: Cannot perform 'rand_' with a dtyped [float64] array and scalar of type [bool]

这条报错很难看懂，原因却很简单：在 Python 里，& 比 == 、> 先算。没有括号，这一行就被理解成了先算 '餐饮' & ledger['cost'] ，也就是把文字和金额「并且」起来，这当然不行。

所以，每个条件都用括号括起来，就不会出错了。以后看到报错里有 rand_ 、ror_ 这样的字眼，先去数一数括号。

3、挑完以后还按原来的位置用 loc

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
rent = ledger[ledger['cost'] > 500]
print(rent.loc[1])

报错信息的最后一行是：

KeyError: 1

这里本来想要的，是挑出来的第 2 行，结果写成了 loc[1] 。可 loc 认的是行号，而挑出来的表里，并没有行号为 1 的那一行：原表里行号为 1 的是水电燃气，早就被筛掉了。所以按位置取，要用 iloc[1] 。

4、loc 和 iloc 的切片不一样长

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(len(ledger.iloc[0:3]))
print(len(ledger.loc[0:3]))

输出的结果：

3
4

同样是写 0:3 ，iloc 取了 3 行，因为它不包括结尾；loc 取了 4 行，因为它包括结尾。拿不准的时候，就 len() 一下，或者 print() 出来看一眼。

六、自己查一次文档

先来看一个问题：「金额在 20 到 30 元之间的有几笔？」用学过的写法，是这样的：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
middle = ledger[(ledger['cost'] >= 20) & (ledger['cost'] <= 30)]
print(len(middle))

输出的结果：

349

答案是算出来了，就是同一列写了两遍，有点啰嗦。这种「在某个范围之内」的需求太常见了，pandas 会不会有现成的方法呢？咱们去文档里找一找。

Series 的方法很多，一个一个看太慢。不妨按名字猜一猜：「在……之间」，英文是 between。去文档里一找，正好有一个：Series.between 。

文档开头说，它返回一串布尔值，表示每个值是不是在 left 和 right 之间。它的参数有三个：

• left 是下限。
• right 是上限。
• inclusive 管两头包不包括，可以写 'both' 、'neither' 、'left' 、'right' 。默认是 'both' ，也就是两头都包括。

查到了，就动手试一试，把 inclusive 的几种写法比一比：

import pandas as pd

ledger = pd.read_csv('ledger_2026.csv')
print(len(ledger[ledger['cost'].between(20, 30)]))
print(len(ledger[ledger['cost'].between(20, 30, inclusive='left')]))
print(len(ledger[ledger['cost'].between(20, 30, inclusive='neither')]))

输出的结果：

349
332
326

第一行是 349，和上面算的一样。第二行用了 inclusive='left' ，只包括左边的 20，不包括右边的 30，结果少了 17 笔，说明正好 30 元的有 17 笔。第三行两头都不包括，又少了 6 笔，说明正好 20 元的有 6 笔。

所以用 between() 之前，先想清楚：边界上的那个值，要不要算进去？文档里写的默认值，其实就是你没想清楚的时候，它替你做的决定。

七、小结与回看

这一章，咱们学会了从一张大表里，把回答问题需要的那部分挑出来。回头梳理一下，学到了这几件事：

• 按列挑：ledger['列名'] 得到的是一个 Series，ledger[['列名']] 得到的是一张表。drop(columns=[...]) 能去掉不要的列，它返回一张新表，原表不变。
• 按位置挑：iloc[位置] 、iloc[开始:结束] ，用法和列表一样，切片不包括结尾。
• 按标签挑：loc[行号, 列名] ，切片包括结尾。挑过以后，行号不再连着，这时两者的区别就出来了。
• 按条件挑：拿一整列去比较，得到一串 True 和 False ；把它放进方括号，就只留下 True 的行。对它 sum() 一下，就知道满足条件的有几个。
• 好几个条件：& 表示并且，| 表示或者，~ 表示不是，每个条件都要用括号括起来。同一列要和好几个值比，就用 isin() 。
• 常见的坑：用了 and 、or ；忘了加括号；挑完以后还按原来的位置用 loc 。
• 查文档学会了用 between() 挑出一个范围，还弄清了 inclusive 管的是两头包不包括。

哪里卡住了，就回去看一看：

• 列表的下标和切片：第 3 章
• 布尔值和 and 、or 、not ：第 2 章

数据挑出来了，接下来就该好好算一算了。下一章要回答这几个问题：平均数和中位数，该信哪个？每个值出现了几次？各占了多大比例？