Pandas с нуля. Часть 5: фильтрация — маски, isin, query

Это часть 5 из 10 курса «Pandas с нуля для аналитика».

Фильтрация — это то, чем аналитик занимается каждый день. «Покажи заказы из Москвы за последнюю неделю», «выкини отменённые», «оставь только VIP-клиентов» — всё это фильтры. В SQL для этого есть WHERE. В pandas нет одного WHERE — но есть несколько способов фильтровать, и когда ты разберёшься в них, ты сможешь вырезать из таблицы ровно то, что нужно, одной строкой.

Что разберёшь в этом уроке

• Булева маска — сердце всей фильтрации
• Несколько условий: & | ~ и почему скобки обязательны
• isin — когда вариантов много
• between — диапазоны без лишних скобок
• isna — фильтр по пропускам
• .str.contains — фильтр по куску текста
• query() — фильтр строкой, как в SQL
• Фильтр и выбор колонок одновременно

Частые вопросы

Как отфильтровать строки DataFrame по условию?

Передайте булеву маску в скобках: df[df['age'] > 30]. Несколько условий объединяют через & (и) и | (или), каждое в круглых скобках: df[(df['age'] > 30) & (df['city'] == 'Москва')].

Когда использовать isin вместо нескольких условий с or?

isin удобен для проверки вхождения в список значений: df[df['city'].isin(['Москва','СПб','Казань'])] вместо длинной цепочки == через |. Для исключения добавьте ~ перед маской: df[~df['city'].isin([...])].

Чем метод query отличается от фильтрации маской?

query фильтрует строкой-выражением: df.query('age > 30 and city == "Москва"'), что читабельнее при сложных условиях и не требует повторять имя df. Для подстановки переменных используйте @: df.query('age > @min_age').