筛选功能（Pandas读书笔记9）
今天和大家分享如果使用Pandas实现单、多条件筛选、模糊筛选。
还是老套路，我们需要先读取一组数据作为测试文件。
测试文件使用读书笔记7的材料，传送门如下：
分享筛选功能之前，我们先分享如何提取某一列，某一行
一、提取DataFrame数据的某一行
1、显示前N行
使用head函数
2、显示后N行
3、显示任意某一行
这里需要说明pandas数据是从0开始编号的，而我们原始数据是从1开始编号的。
所以使用ix函数的时候，我们输入的是ix[2]，选择的是原始数据的第三行
4、显示任意中间行
特殊说明1：选取任意行除了ix函数，loc和iloc均可
特殊说明2：这里不像列表那里有左闭右开的限制。这里两个数字都是闭合的，案例中[7:11]则选取的是第8行至第12行（pandas从0开始编号）
二、提取任意列
1、按照列名提取单列
2、按照列名提取多列
三、提取任意行列数据
1、提取5至9行、列名字为名称的数据
2、提取5至9行、列名字为名称的数据（方法二）
3、提取5至9行、列名字为名称、最高的数据
四、单条件筛选
筛选其实就是将某列符合特殊条件的筛选出来，那我们先设立一个小目标！将涨跌额为正数的筛选出来！
如何判断？无外乎为大于小于等于判断咯！
df['涨跌额']是选出涨跌额这一列
我们看到使用判断后返回的是一个布尔型的数据，是一个TRUE和FALSE的集合体。
那我们如何将这个布尔型的数据实现筛选的功能呢？
我们将这个布尔型数据作为一个参数，外面套上原始数据和中括号即可！就实现了筛选功能。
原理就是布尔型数据为真的话，罗列出来！
五、筛选失败的解决方案
成功的道路总是相同的，不成功的道路各有各的不同，本环节其实才是本篇文章的精华之一，另一个精华就是模糊筛选~~
我们已经实现了根据涨跌额来实现筛选，那根据涨跌幅为正数进行筛选可以吗？
我们先试验一下！
错误提示字面理解就是大于号不能存在在文本和整型之间。
转义一下就是你的原始数据不能是字符串！
常见错误：原始数字使用文本形式存储
所以在这里和大家介绍一下如何强制文本转数字
上述两种方法均可！
细心的朋友肯定会说：“你框我！不是转化涨跌幅咩！怎么搞成涨跌额了！”
发现传统的文本转数字不管用哇！为虾米呢？这个文本转数字只适用于数字以文本形式存储的数据，不适用于本身只能用文本形式存储的数据。（略拗口，可以自己想想~）
由于原始数据带了一个%。所以带%的文本转数字是比较麻烦的~麻烦程度与Excel处理该类问题相同。
那如何解决呢？
df['涨跌幅'] = df['涨跌幅'].str.strip("%").astype(float)/100;
我们使用str.strip("%")函数将原始数据的百分号剔除，然后使用astype(float)将原始数据强制转化为浮点型数据，除以100，让原始数据保持不变；最后使用赋值将更改后的数据重新赋值给涨跌幅那一列。
然后就可以毫无压力的实现目标了！只不过将最初的百分比形式展示的改为了小数。
六、多条件筛选
1、且关系筛选
我们想要得到涨跌幅大于0，且成交量大于1000的数据。
首先涨跌幅大于0怎么表示呢？
df['涨跌幅']>0
成交量大于1000怎么表示呢？
df['成交量']>1000
错误总是那么相似，做个文本转数字吧
pd.to_numeric(df['成交量'])>1000
发现还不行，原来还有这个符号“-”，无法强制转化为数字！
事实证明，工作中的编程其实是处于发现问题，解决问题的过程~
那我们多增加一步，先把-替换掉
pd.to_numeric(df['成交量'].str.strip("-"))>1000
费了九年二虎之力，终于分别实现了不同列的判断条件。
如何把两列混合在一起呢？如何以且关系进行组合判断呢？
df[(df['涨跌幅'] >0)&(pd.to_numeric(df['成交量'].str.strip("-"))>1000)]
我们看一下代码的逻辑，单条件的代码逻辑如下：
变量[变量[列]符合什么条件]
简化就是 变量的中括号内接一个条件
那多条件如何表达呢？
变量[（条件1）&（条件2）&（条件N）]
多条件且关系筛选其实就是将不同条件用括号括起来后使用&字符连接~
2、或关系筛选
前面有了且关系的铺垫，或关系其实就是把&变更为 | 即可！
df[(df['涨跌幅'] >0)|(pd.to_numeric(df['成交量'].str.strip("-"))>1000)]
变量[（条件1）|（条件2）|（条件N）]
七、模糊筛选
模糊筛选想当年也浪费了我不少时间，我以为pandas会自带一个函数来的，结果是使用字符串的形式来实现的~
提问：我们将名称那一列含有“金”字的行提取出来~
Excel实现这个功能很简单，因为可以通过我最喜欢的通配符实现~
pandas只能使用字符串函数find函数，该函数用法与Excel相同~
解释一下这段代码
df[df['名称'].str.find("金", start=0, end=None)>=0]
最外层的df[ ]表示呈现整个表
df['名称'].str.find("金", start=0, end=None)>=0
将名称那一列使用字符串的find函数，如果find的返回值大于0，证明就是含有金字的，如果没有金字，返回值是-1，所以通过该方法可以判断哪行数据含有金字。
嗯嗯，很有才~~~
就这样了~ 感谢支持~