pandas 实现 in 和 not in 的用法及使用心得

下面是“pandas 实现 in 和 not in 的用法及使用心得”的完整攻略：

1. in 和 not in 的基本语法

在 Pandas 中，我们可以使用“in”和“not in”来判断某个元素是否在一个 Series 或 DataFrame 中。具体的基本语法如下：

# Series 中判断元素是否在其中
element in my_series
element not in my_series

# DataFrame 中判断元素是否在其中
element in my_dataframe[col_name]
element not in my_dataframe[col_name]

其中，“element”代表需要判断的元素，“my_series”代表需要判断的 Series 对象，“my_dataframe”代表需要判断的 DataFrame 对象，“col_name”代表需要判断的某一列的列名。

2. in 和 not in 的使用心得

在实际应用中，我们可以利用“in”和“not in”结合其他函数和技巧，来完成各种实用的功能。

2.1 示例一：判断 Series 中的元素是否在另一个 Series 中

import pandas as pd

# 新建两个 Series
s1 = pd.Series(['apple', 'banana', 'pear'])
s2 = pd.Series(['pear', 'orange', 'grape'])

# 判断 s1 中的元素是否在 s2 中
s1.isin(s2)

运行结果如下：

0    False
1    False
2     True
dtype: bool

上述代码中，我们新建了两个 Series 对象“s1”和“s2”，分别包含了若干个字符串。然后，我们使用“isin”函数来判断“s1”中的元素是否在“s2”中，得到的结果就是一个 Boolean 类型的 Series。

2.2 示例二：筛选 DataFrame 中符合特定条件的行的数据

import pandas as pd

# 新建一个 DataFrame
df = pd.DataFrame({'Name': ['Tom', 'Jerry', 'Alice', 'Bob'], 
                   'Age': [23, 31, 24, 27], 
                   'Gender': ['M', 'M', 'F', 'M']})

# 筛选出年龄在 [24, 27] 之间，且性别为男性的行
df[(df['Age'].isin([24, 27])) & (df['Gender'] == 'M')]

运行结果如下：

  Name  Age Gender
2   Alice   24      F
3     Bob   27      M

上述代码中，我们首先新建了一个 DataFrame 对象“df”，其中包含了“Name”、“Age”和“Gender”三列数据。然后，我们使用了“isin”函数来对“Age”这一列进行筛选。最后，我们将这个条件与“Gender”这一列的条件结合起来，完成了对符合条件的行数据的筛选。

3. 总结

通过上述两个示例，我们可以看到“in”和“not in”在 Pandas 中的常见使用场景，同时也可以掌握它们的基本语法和常见用法。在实际应用中，我们可以结合其他函数和技巧，来完成更加复杂的数据分析任务。