使用多种条件筛选DataFrame

在使用pandas进行数据分析时，经常需要根据多个条件筛选数据。以下是一些常用的方法来实现多条件筛选。
一、多条件过滤
在pandas中，可以使用query()方法或loc函数来进行多条件筛选。这些方法允许你使用逻辑运算符（如&和|）来组合多个条件。

1. 使用query()方法
   query()方法允许你使用字符串格式的表达式来筛选数据。下面是一个示例，展示如何筛选出a列等于4且b列不等于2的行：

   df_filtered = df.query('a == 4 & b != 2')

   注意：在query()方法中，等于过滤使用两个等号==，而不是一个。
2. 使用loc函数
   如果你更喜欢使用传统的索引方式，可以使用loc函数来筛选数据。下面是一个示例，展示如何使用loc函数筛选出满足相同条件的行：

   df_filtered = df.loc[(df['a'] == 4) & (df['b'] != 2)]

   或者使用链式索引：

   df_filtered = df[df['a'] == 4 & df['b'] != 2]

   这两种方法都可以达到相同的效果，你可以根据自己的喜好选择其中一种。
   二、范围过滤
   除了多条件筛选外，还可以使用范围过滤来筛选特定范围内的数据。pandas提供了多种方法来实现范围过滤。
3. 使用query()方法和范围运算符
   你可以在query()方法中使用范围运算符（如<, >, <=, >=）来筛选出满足范围的行。下面是一个示例，展示如何筛选出STK_ID列值在60000到70000之间的行：

   rpt_filtered = rpt.query('60000 < STK_ID < 70000')

4. 使用isin()函数和列表推导式
   如果你想筛选出某个列中包含某个值或多个值的行，可以使用isin()函数。下面是一个示例，展示如何筛选出包含特定股票代码的行：

   stock_codes = ['600809', '600141', '600329']
   df_stocks = df[df['STK_ID'].isin(stock_codes)]

   在这个例子中，我们首先创建一个包含特定股票代码的列表，然后使用isin()函数和列表推导式来筛选出包含这些股票代码的行。这将返回一个新的DataFrame，其中包含满足条件的行。
   总结：
   在处理多条件筛选时，pandas提供了多种方法来满足不同的需求。你可以根据具体情况选择适合的方法来进行数据筛选。希望通过本文的介绍，能够帮助你更好地理解和应用多条件筛选功能。