Python实现指定范围内筛选并剔除Excel表格中的数据
本文介绍基于Python语言，读取Excel表格文件，基于我们给定的规则，对其中的数据加以筛选，将不在指定数据范围内的数据剔除，保留符合我们需要的数据的方法。
首先，我们来明确一下本文的具体需求。现有一个Excel表格文件（在本文中我们就以.csv格式的文件为例），如下图所示。
其中，Excel表格文件具有大量的数据，每一列表示某一种属性，每一行表示某一个样本；我们需要做的，就是对于其中的部分属性加以数据筛选——例如，我们希望对上图中第一列的数据进行筛选，将其中大于2或小于-1的部分选出来，并将每一个所选出的单元格对应的行直接删除；同时，我们还希望对其他的属性同样加以筛选，不同属性筛选的条件也各不相同，但都是需要将不符合条件的单元格所在的整行都删除。最终，我们保留下来的数据，就是符合我们需要的数据，此时我们需要将其保存为一个新的Excel表格文件。
明白了需求，我们即可开始代码的撰写；本文用到的具体代码如下所示。
# -*- coding: utf-8 -*- """ Created on Wed Jun 7 15:40:50 2023 @author: fkxxgis """ import pandas as pd original_file = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/23_Train_model_NoH/Train_Model_1_NoH.csv" result_file = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/23_Train_model_NoH/Train_Model_1_NoH_New.csv" df = pd.read_csv(original_file) df = df[(df["inf"] >= -0.2) & (df["inf"] <= 18)] df = df[(df["NDVI"] >= -1) & (df["NDVI"] <= 1)] df = df[(df["inf_dif"] >= -0.2) & (df["inf_dif"] <= 18)] df = df[(df["NDVI_dif"] >= -2) & (df["NDVI_dif"] <= 2)] df = df[(df["soil"] >= 0)] df = df[(df["inf_h"] >= -0.2) & (df["inf_h"] <= 18)] df = df[(df["ndvi_h"] >= -1) & (df["ndvi_h"] <= 1)] df = df[(df["inf_h_dif"] >= -0.2) & (df["inf_h_dif"] <= 18)] df = df[(df["ndvi_h_dif"] >= -1) & (df["ndvi_h_dif"] <= 1)] df.to_csv(result_file, index = False)
下面是对上述代码每个步骤的解释：
1.导入必要的库：导入了pandas库，用于数据处理和操作。
2.定义文件路径：定义了原始文件路径original_file和结果文件路径result_file。
3.读取原始数据：使用pd.read_csv()函数读取原始文件数据，并将其存储在DataFrame对象df中。
4.数据筛选：对DataFrame对象df进行多个条件的筛选操作，使用了逻辑运算符&和比较运算符进行条件组合。例如，其中的第一行df["inf"] >= -0.2 和 df["inf"] <= 18就表示筛选出"inf"列的值在-0.2到18之间的数据；第二行df["NDVI"] >= -1 和 df["NDVI"] <= 1则表示筛选出"NDVI"列的值在-1到1之间的数据，以此类推。
5.保存结果数据：使用to_csv()函数将筛选后的DataFrame对象df保存为新的.csv文件，保存路径为result_file，并设置index=False以避免保存索引列。
当然，如果我们需要对多个属性（也就是多个列）的数据加以筛选，除了上述代码中的方法，我们还可以用如下所示的代码，较之前述代码会更方便一些。
result_df = result_df[(result_df["blue"] > 0) & (result_df["blue"] <= 1) &
(result_df["green"] > 0) & (result_df["green"] <= 1) &
(result_df["red"] > 0) & (result_df["red"] <= 1) &
(result_df["inf"] > 0) & (result_df["inf"] <= 1) &
(result_df["NDVI"] > -1) & (result_df["NDVI"] < 1) &
(result_df["inf_dif"] > -1) & (result_df["inf_dif"] < 1) &
(result_df["NDVI_dif"] > -2) & (result_df["NDVI_dif"] < 2) &
(result_df["soil"] >= 0) &
(result_df["NDVI_dif"] > -2) & (result_df["NDVI_dif"] < 2) &
(result_df["inf_h_dif"] > -1) & (result_df["inf_h_dif"] < 1) &
(result_df["ndvi_h_dif"] > -1) & (result_df["ndvi_h_dif"] < 1)]上述代码可以直接对DataFrame对象加以一次性的筛选，不用每筛选一次就保存一次了。
运行本文提及的代码，我们即可在指定的结果文件夹下获得数据筛选后的文件了。
到此这篇关于Python实现指定范围内筛选并剔除Excel表格中的数据的文章就介绍到这了,更多相关Python筛选Excel数据内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
下面小编就为大家带来一篇Python的IDEL增加清屏功能实例。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-06-06
pydub是一个轻量级的音频处理库,安装方便,使用简单,这篇文章主要为大家详细介绍了pydub的具体使用,文中的示例代码讲解详细,需要的小伙伴可以参考下2023-11-11
浅谈Python 命令行参数argparse写入图片路径操作
这篇文章主要介绍了浅谈Python 命令行参数argparse写入图片路径操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-07-07
这篇文章主要介绍了python3 下载网络图片代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-08-08
这篇文章主要介绍了Django框架序列化与反序列化操作,结合实例形式详细分析了Django框架Serializer类操作对象序列化及反序列化相关实现技巧,需要的朋友可以参考下2019-11-11
今天小编就为大家分享一篇对Python 获取类的成员变量及临时变量的方法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-01-01
这篇文章主要介绍了Python中tkinter库的简单使用,Tkinter是Python中常用的GUI库,它使用Tk GUI工具包,并提供了创建各种GUI应用程序的功能,需要的朋友可以参考下2023-10-10
在Python中,使用requests库进行网络请求时,可以通过设置 timeout参数来指定读取超时时间,本文就来介绍一下,具有一定的参考价值,感兴趣的可以了解一下2023-11-11
KNN可以说是最简单的分类算法之一,同时,它也是最常用的分类算法,文中非常详细的介绍了该算法,对正在学习python的小伙伴们有很好的帮助,需要的朋友可以参考下2021-05-05
本文主要介绍了Python实现炸金花游戏的示例代码，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-01-01
最新评论