成员运算 isin()

1. Series类型对象

对于Series类型的对象，成员判断可以用isin方法：

>>> df = pd.DataFrame([["Larry",12,40,140],["Henry",13,50,150],["Jerry",15,60,171]])

>>> df. columns = ["name","age","weight","height"])  

传入一个列表

>>> df["name"].isin(["a","Larry"])  

0 True 

1 False    

2 False  

Name: name, dtype: bool     # 运行之后得到一个Series类型对象   

2. DataFrame类型的对象

同样使用isin成员运算，可以看到是对DataFrame的每一列进行成员判断，最终得到一个DataFrame对象。

>>>  df.isin(["a","Larry"])  

     name     age       weight   height

0    True      False    False    False

1    False      False     False    False

2     False     False   False    False   

上面是传入一个列表进行成员判断，也可以传入一个字典进行判断：

>>>  df.isin ({"name":["Henry","Logan","Jess"],"height":[40,50]})  

     name     age       weight   height

0     False   False    False    False

1     True     False    False    False       

2     False     False   False    False 

字典中的键如果是DataFrame的列标签，则会判断DataFrame中相应列的每一个值是否存在于，字典的键所对应的值，存在则返回True

如果DataFrame的某一列不在字典的键中，那么最终结果中该列的所有值均为False。

成员运算取反  ~df.isin(other)

没有notin函数，取反就在前面加取反符号~, pandas和numpy中经常用此符号表示条件取反。

应用：数据过滤

>>>  df.loc[~df["name"].isin(["a","Larry"])]

这个运行的结果和下面的运行结果相同

1. 传一个布尔数组，即为对记录（也就是行）进行筛选

>>> df[[False,True,True]]

2. 省略了loc：

>>>   df[~df["name"].isin(["a","Larry"])]

上面三种方式最终的运行结果都是：

      name    age   weight    height

1    Henry   13       50         150

2    Jerry    15        60         171