第2章 数据检查

2.1 项目背景

随着互联网和移动支付的普及，电子商务行业飞速发展，用户数量、商品规模和订单数据不断增长。在这种背景下，电商平台积累了海量的用户行为与交易数据，为深入开展用户画像、精准营销、商品推荐、销售预测等提供了强有力的数据基础。

作为一名初级数据分析师，你刚加入了一家大型电商公司，接到的第一个任务是：对平台近几年的运营数据进行初步分析，发现有价值的商业信息，并以图表方式进行展示，支持运营决策。

公司为你提供了一组模拟数据，包括：

• 用户注册信息（users 表）

• 商品库（products 表）

• 订单信息与订单明细（orders 和 order_items 表）

• 用户行为日志（browsing_logs 表）

• 商品评分记录（product_ratings 表）

你需要对这批数据进行读取、清洗、分析与可视化，完成以下问题探索：

分析任务：

1. 平台用户的性别与年龄分布特征如何？是否存在特定城市或省份的用户占比较高？

2. 平台哪些商品销量最好？不同类别的畅销品牌有哪些？

3. 用户行为（浏览、加购、收藏）是否对订单转化有促进作用？

4. 评分较高的商品是否也有较高的销量？是否存在热门但评分低的商品？

5. 能否以清晰直观的图表方式向领导汇报这些洞察结果？

2.2 技能图谱

Pandas 数据处理
│
├── 1. 数据读取
│   ├── pd.read_csv()
│   ├── 常用参数：
│   │   ├── index_col
│   │   ├── parse_dates
│   │   ├── dtype
│   │   ├── nrows
│   │   └── encoding
│
├── 2. 数据结构查看
│   ├── df.shape         → 行列规模
│   ├── df.columns       → 列名
│   ├── df.dtypes        → 每列数据类型
│   ├── df.head()        → 前几行
│   └── df.info()        → 数据整体概况
│
├── 3. 数据访问与筛选
│   ├── [] 中括号语法
│   │   ├── 单列 / 多列选择
│   │   ├── 行切片（0:5）
│   │   └── 条件过滤（df[df["条件"]==值]）
│   ├── .loc[] 标签定位
│   │   ├── df.loc[行标签, 列名]
│   │   └── 支持布尔筛选 + 指定列
│   ├── .iloc[] 位置定位
│   │   ├── df.iloc[行位置, 列位置]
│   │   └── 左闭右开，不支持条件筛选
│   └── .query() 表达式查询
│       ├── df.query("列名 条件")
│       ├── 支持 and / or / not
│       └── 支持 @变量 和 反引号字段
│
└── 4. 应用任务场景
    ├── 用户画像分析（users）
    ├── 商品热度排行（products + order_items）
    ├── 销售趋势分析（orders）
    ├── 用户行为转化（browsing_logs）
    └── 评分与推荐基础（product_ratings）

2.2.1 Python 数据处理核心库

NumPy

• 定义：用于科学计算的 Python 库，提供高效的多维数组与数学运算功能。

• 作用：适合处理大规模的数值数据，特别是矩阵和向量运算。

• 特点：

• 提供高性能的 ndarray 多维数组；

• 内置丰富的数学函数，如加减乘除、线性代数等；

• 内存占用小，运行速度快。

Pandas

• 定义：专为数据分析设计的 Python 库，擅长处理表格型数据，类似 Excel。

• 作用：用于数据清洗、转换、分析与可视化，是数据科学中的核心工具。

• 特点：

  
  

• 核心数据结构：DataFrame（二维表）、Series（一维序列）；

• 支持灵活操作：筛选、聚合、合并、重塑等；

• 具备数据清洗能力：处理缺失值、重复值；

• 可与 NumPy、Matplotlib 等无缝集成。

总结：

• NumPy 侧重数值计算，Pandas 专注数据分析。

• 它们常常配合使用，是数据分析入门的基础工具组合。

2.2.2 Pandas数据结构

DataFrame 和 Series 总结

Pandas 数据结构：DataFrame（二维带标签表格），Series（一维带标签数据结构）

Pandas DataFrame 结构图解释

1. 总体结构：

• DataFrame 是一个二维表格型数据结构，类似 Excel 表或 SQL 表格；

• 每一列可包含不同类型的数据，如数字、文本、布尔值等。

2. 轴标签（Axis Labels）：

• 行索引（Index）：

  图中左侧的蓝色条形区域，用于标识每一行，默认从 0 开始，可自定义为日期、编号等。

• 列名（Columns）：

  图中顶部的橙色区域，用于标识每一列，在数据操作中用于定位或引用列。

3. 数据区域：

• 位置：位于中间的网格区域【图中的浅灰色网格区域】，存储具体的数据。

• 作用：每个值可通过“行索引 + 列名”访问。

4. 单列结构：Series：

• Series：

  从 DataFrame 中选取某一列，会返回一个 Series（一维带索引的结构）；

  Series 类似数组，保留行索引，可单独分析处理列数据。

5. 轴方向（Axis Direction）：

• 轴0：指的是行方向，通常用于跨行的操作，如计算总和、平均值等。

• 轴1：指的是列方向，通常用于跨列的操作，如添加或删除列等。

总结:

DataFrame = 行索引 + 列标签 + 数据网格 + 支持灵活选取和运算的二维表结构

应用示例:

索引和选择数据：

# 导入库，pandas 是常用的数据分析库
import pandas as pd

# 准备数据：使用字典存储，字典由“键: 值”组成
data = {
    '姓名': ['张三', '李四', '王五'],
    '年龄': [25, 30, 22],
    '城市': ['北京', '上海', '广州']
}

# 将字典转换成 DataFrame（数据表格）
df = pd.DataFrame(data)

# 选择 DataFrame 的单列（这里是“姓名”列），结果是 Series（一列数据）
series = df['姓名']

# 输出结果
print("输出 DataFrame:")
print(df)

print("输出 Series:")
print(series)

DataFrame 和 Series 总结对比

举例

2.3 数据获取

【数据下载:】https://wwtf.lanzoul.com/ijbQ535g2jri

本教程涉及的数据及其结构的描述：

数据表简介

表1：users （用户信息表）

表2：products（商品信息表）

表3：orders（订单信息表）

表4：order_items（订单明细表）

表5：browsing_logs（用户行为日志）

表6：product_ratings（商品评分表）

2.4 数据读入

前期准备：

1.创建实验目录 在每个班级的工作目录下（如 D:/bigdata1/），新建子目录 DataAnalysis。

2.放置数据文件 将实验所需的数据集文件复制到 DataAnalysis 目录中。

3.进入实验目录 打开命令行Anaconda Prompt，切换到目录：

D:/bigdata1/DataAnalysis

4.启动 Jupyter Notebook 在该目录下启动 Jupyter Notebook，准备开始实验。

5.创建或打开代码文件

【知识点】

1. 基本读取语法：

# 导入 pandas 库并简写为 pd，用于数据处理与分析
import pandas as pd

# 读取 CSV 文件并将其存为 DataFrame 格式，赋值给变量 df
df = pd.read_csv("文件名.csv")

2. 常用参数说明：

【例 2-1】读取用户信息表 users.csv，预览前5行。

需要提前把下面要读取的各表放置到工作目录中

import pandas as pd
users = pd.read_csv("users.csv")
users.head()

如果 products.csv 文件的 第一行有列标题， pd.read_csv会 自动把第一行识别为 DataFrame 的列名。

【例 2-2】读取商品信息表 products.csv，并将商品编号设为索引列。

products = pd.read_csv("products.csv", index_col="product_id")
products.head()

语法重点： index_col 设置索引列，便于后续按商品编号查询。

在 Pandas 中定义索引的作用是：为数据行提供标签，用于快速定位、切片和对齐，提升查询效率和可读性

对照语句products = pd.read_csv("products.csv") 的结果有什么区别

【例 2-3】读取订单表 orders.csv，只加载前100行进行预览。

orders = pd.read_csv("orders.csv", nrows=100)
orders

【例 2-4】读取评分表 product_ratings.csv，并将 rating_time 字段转为时间格式。

ratings = pd.read_csv("product_ratings.csv", parse_dates=["rating_time"])
ratings.dtypes

语法重点： parse_dates 使得时间字段支持 .dt.year 等操作。

对照语句 ratings = pd.read_csv("product_ratings.csv")  的结果有什么区别？

【例 2-5】读取用户表 products.csv，将 unit_price 设置为浮点类型。

products = pd.read_csv("products.csv", dtype={'unit_price': float})
products.dtypes

语法重点： dtype 用于控制数据类型转换。

对照语句 products = pd.read_csv("products.csv") 的结果有什么区别？

2.5 数据检查

【知识点】

以下是对 Pandas 中 DataFrame 结构常用查看属性的总结：

【例 2-6】读取用户信息表 users.csv，并输出数据的总行数与列数。

import pandas as pd
users = pd.read_csv("users.csv")
print("数据规模为：", users.shape)

语法重点： shape 返回 (行数, 列数)，可快速了解数据体量。

【例 2-7】读取商品信息表 products.csv，并打印所有列名。

products = pd.read_csv("products.csv")
print("列名为：", products.columns)

语法重点： columns 返回的是一个列名的 Index 对象，可以使用 list(products.columns) 转换为列表。

【例 2-8】读取订单主表 orders.csv，并输出数据的总行数。

orders = pd.read_csv("orders.csv")
print("订单记录数为：", orders.shape[0])

语法重点： shape[0] 获取总行数，用于记录数统计。

【例 2-9】读取订单明细表 order_items.csv，并输出总列数。

order_items = pd.read_csv("order_items.csv")
print("字段数量为：", order_items.shape[1])

语法重点： shape[1] 获取总列数，常用于表结构审查。

【例 2-10】读取评分表 product_ratings.csv，并查看所有字段的数据类型。

ratings = pd.read_csv("product_ratings.csv", parse_dates=["rating_time"])
print(ratings.dtypes)

语法重点： dtypes 可以区分数值、字符串、日期等字段类型，后续处理前非常重要。

2.6 数据内容访问

2.6.1 采用[]操作符访问数据

【知识点】

Pandas 中的 [] 操作符主要用于：

• 列选择

• 行切片

• 按条件筛选行

❗注意：[] 不能同时选中“行和列”，想实现需用 .loc 或 .iloc。

一、列选择

二、行切片（行号）

三、按条件筛选（行过滤），也叫布尔索引

四、特别提醒（不能做的事）

❌ df[1:5, ["列1", "列2"]] 是不合法的语法 —— 不能同时使用 [] 对行和列进行选择，需使用 .loc 或 .iloc 实现。

【例 2-11】读取用户信息表 users.csv，选择所有用户的 user_name 列。

import pandas as pd
# 读取 users.csv 文件，并将其存为 DataFrame 对象 users
users = pd.read_csv("users.csv")
users["user_name"]

语法重点： df["列名"] 可选取单列，返回 Series 类型。

【例 2-12】从商品信息表 products.csv 中选择 product_name 和 unit_price 两列。

products = pd.read_csv("products.csv")
products[["product_name", "unit_price"]]

语法重点： 多列选择需使用双层中括号 [["列1", "列2"]]，返回 DataFrame 类型。

【例 2-13】选取订单表 orders.csv 中前100行数据进行查看。

orders = pd.read_csv("orders.csv")
orders[:100]

语法重点： df[start:end] 用于按行切片（默认按行号），左闭右开。

【例 2-14】从用户表中筛选出所有“广州”注册的用户信息。

users = pd.read_csv("users.csv")
# 筛选 city 列中值为 "广州" 的所有行，返回包含广州用户的子表
users[users["city"] == "广州"]

语法重点：

通过布尔索引，users["city"] == "广州" 生成一个布尔序列，用于从 DFrame 中筛选出满足条件的行。

条件过滤需写成 df[布尔条件]，等于号不能写成 =，而是 ==。

总结 ：先取列 → 比较条件 → 得到布尔值 → 用布尔值筛选行。

【例 2-15】从商品表中筛选出“手机数码类”类别且价格低于2000元的商品。

products = pd.read_csv("products.csv")
products[(products["category"] == "手机数码类") & (products["unit_price"] < 2000)]

语法重点：

• 多条件筛选用 &（与）、|（或）；

• 每个条件外都要加括号 ( )；

• 字符串比较用 ==，数值比较用 <, >, >= 等。

【例 2-16】从评分表中选出评分为 5 分的记录，并查看对应的 user_id 和 product_id。

# 读取商品评分数据，存入 DataFrame ratings
ratings = pd.read_csv("product_ratings.csv")

# 筛选评分等于 5 的记录，并提取其中的 user_id 和 product_id 两列
ratings[ratings["rating"] == 5][["user_id", "product_id"]]

语法重点：

• 条件筛选后再列选择要用链式写法：df[条件][["列1", "列2"]]；

• 也可以使用 .loc 替代进行更安全的行列同时选取（详见3.6.2）。

【例 2-17】从浏览日志中选取前10行，查看 user_id 和 action_type。

logs = pd.read_csv("browsing_logs.csv")
print(logs[:10][["user_id", "action_type"]])

语法重点： 行切片后可以再进行列选择，用于快速预览重点字段。

【练习题】

练习 2-1：选取用户表中部分列

从 users.csv 中选择 user_id、age 两列，查看前 8 行。

👉 提示：先列选择，再行切片。

import pandas as pd
users = pd.read_csv("users.csv")

# 先选两列，再切片前8行
users[["user_id", "age"]][:8]

练习 2-2：订单数据的多条件筛选

在 orders.csv 中，筛选出：

• order_status 为 "完成"，

• 且 payment_method 为 "微信支付" 的订单。

👉 提示：两个条件需要用 &，条件外要加小括号 ( )。

orders = pd.read_csv("orders.csv")

# 订单状态为完成 且 支付方式为微信支付
orders[(orders["order_status"]=="完成") & (orders["payment_method"]=="微信支付")]

练习 2-3：订单明细中的数量过滤

读取 order_items.csv，选出购买数量 quantity >= 3 的记录，并查看 order_id 和 product_id 两列。

items = pd.read_csv("order_items.csv")

# 数量大于等于 3
items[items["quantity"] >= 3][["order_id", "product_id"]]

练习 2-4：用户行为日志取样

从 browsing_logs.csv 中取最后 5 行，显示其中的 user_id、product_id、action_type。

👉 提示：用 [-5:] 或 .tail(5)。

logs = pd.read_csv("browsing_logs.csv")

# 取最后5行，并选择部分列
logs.tail(5)[["user_id", "product_id", "action_type"]]

练习 2-5：评分数据筛选

在 product_ratings.csv 中，找出所有评分为 1 或 2 的差评，查看 user_id、product_id 和 rating_time 三列。

👉 提示：用逻辑或 |。

ratings = pd.read_csv("product_ratings.csv")

# 筛选差评：评分为1或2
ratings[(ratings["rating"]==1) | (ratings["rating"]==2)][["user_id", "product_id", "rating_time"]]

2.6.2 采用.iloc或.loc方式

【知识点】

1. 基本概念对比

loc 和 iloc 是 Pandas 中用于数据选择和操作的两种主要方法。它们的用法各有特点，具体如下：

loc 语法:loc 是基于标签（label）的选择方法，允许通过行和列的标签来选择数据。

用法

df.loc[row_labels, column_labels]

• 行选择：通过标签选择行，通常使用行索引标签，可以是单个标签、标签列表、标签范围，或者布尔索引。

• 列选择：通过列名选择列。

• 支持布尔索引：可用于基于条件的过滤。

示例

# 选择单行
df.loc[0]  # 选择行索引标签为 0 的行

# 选择多行
df.loc[0:5]  # 选择行索引标签从 0 到 5 的行（包含 5）

# 选择单列
df.loc[:, 'City']  # 选择名为 'City'的列，等同于df['City'] 

# 选择多列
df.loc[:,['City','AvgTemperature']]  # 等同于df[['City','AvgTemperature']] 

# 条件选择
df.loc[df['AvgTemperature'] > 100]   # 选择满足条件的行，等同于df[df['AvgTemperature'] > 100]

iloc 语法

iloc 是基于整数位置（index）的数据选择方法。

iloc 的整数位置指的是行或列在 DataFrame 中的位置索引

• 位置索引（整数位置）：是指行或列在 DataFrame 中的实际物理位置，从 0 开始递增的整数。这个是 iloc 用来定位行或列的依据。

用法

df.iloc[row_positions, column_positions]

• 行选择：通过整数位置选择行。

• 列选择：通过整数位置选择列。

示例

# 选择单行
df.iloc[0]  # 选择位置为 0 的行

# 选择多行
df.iloc[0:5]  # 选择位置从 0 到 4 的行（不包含 5）

# 选择单列
df.iloc[:, 0]  # 选择位置为 0 的列（即第1列）

# 选择多列
df.iloc[:, [0, 1]]  # 选择位置为 0 和 1 的两列，（即第1、2列）

# 选择特定行和列
df.iloc[0:5, 0:2]  # 选择前 5 行和前 2 列

loc和iloc的区别

loc和iloc总结

loc

• 基于标签（Label-based）: 使用行标签和列标签进行访问。

• 适用于行标签和列标签: 可以使用行标签（行名）和列标签（列名）来选择数据。

• 包含结束点: 切片选择时包含结束点，遵循左闭右闭的原则。

  
  

iloc

• 基于位置（Integer-location based）: 使用行索引和列索引进行访问。

• 适用于整数位置索引: 可以使用整数索引来选择数据，索引从0开始。

• 不包含结束点: 切片选择时不包含结束点，遵循左闭右开的原则。

  
  

主要区别

• 索引类型: loc使用标签索引，iloc使用整数位置索引。

• 结束点: loc的切片选择包含结束点，iloc的切片选择不包含结束点。

• 适用范围:

• loc适用于标签索引，适合处理带有自定义行标签的DataFrame；

• iloc适用于整数位置索引，适合处理需要按位置选择数据的场景。

注意：

如果在创建 DataFrame 时没有指定索引（index），Pandas 会自动使用整数索引（从 0 开始）作为行标签。在这种情况下，行标签和整数位置是相同的，因此可以使用 loc 或 iloc 进行索引，两者的效果相同。

loc方式（基于标签）

【例 2-18】从用户信息表 users.csv 中选出前5行的 user_name 和 city 列。

import pandas as pd
users = pd.read_csv("users.csv")
# 使用 loc 根据标签选取第 0 到第 4 行，列为 'user_name' 和 'city' 的数据
users.loc[0:4, ["user_name", "city"]]

语法重点： loc[行标签, 列标签]，标签切片为左闭右闭，包含第4行。

等同于：users[0:4][["user_name", "city"]]

【例 2-19】从订单表 orders.csv 中筛选出支付方式为“花呗”的订单，查看 order_id 和 payment_method。

orders = pd.read_csv("orders.csv")
# 使用 .loc 进行条件筛选 + 列选择的操作，
# 语法：DataFrame.loc[行条件, 列名列表]：
orders.loc[orders["payment_method"] == "花呗", ["order_id", "payment_method"]]

语法重点： 支持条件筛选作为行索引，列名用列表形式。

等同于：orders[orders["payment_method"] == "花呗"][["order_id", "payment_method"]]

【例 2-20】从商品评分表中选出评分为5分的记录，并查看评分时间与商品编号。

ratings = pd.read_csv("product_ratings.csv")
ratings.loc[ratings["rating"] == 5, ["product_id", "rating_time"]]

语法重点： loc[布尔条件, [列名列表]] 是最常见的分析用法。

【例 2-21】筛选 30 岁以上的女性用户，并查看姓名与注册省份

users = pd.read_csv("users.csv")
result = users.loc[(users["age"] > 30) & (users["gender"] == "女"), 
                   ["user_name", "province"]]
result

语法要点：

• 多条件必须用 & 且每个条件加括号

• .loc[布尔条件, 列名列表] 是组合筛选常用写法

【例 2-22】从订单表中筛选“微信支付”且状态为“完成”的订单，并显示用户编号、下单时间

orders = pd.read_csv("orders.csv")
result = orders.loc[(orders["payment_method"] == "微信支付") & (orders["order_status"] == "完成"),
                    ["user_id", "order_date"]]
result.head()

语法要点： 多条件查询 + 指定列输出，适合销售行为分析练习。

iloc方式（基于位置）

【例 2-23】从 products.csv 中选取前3行的前两列（即商品编号和商品名称）。

products = pd.read_csv("products.csv")
products.iloc[0:3, 0:2]

语法重点： iloc[行位置, 列位置]，切片为左闭右开，不包含第3行和第2列。

【例 2-24】从用户表中选出第10~19行的第2、3列。

print(users.iloc[10:20, [1, 2]])

语法重点： 用列表 [1, 2] 指定多个列的位置。

【例 2-25】从订单明细表 order_items.csv 中选取前10行中前3列的数据。

items = pd.read_csv("order_items.csv")
items.iloc[:10, :3]

语法重点： 通过位置切片提取连续的行列范围，适合批量预览数据结构。

【练习题】

loc 练习题（基于标签）

【练习 2-6】从用户表中选取所有来自“广东省”的用户，显示 user_id 和 city。

users = pd.read_csv("users.csv")
result = users.loc[users["province"] == "广东", ["user_id", "city"]]
result.head()

语法要点： loc[条件, 列] 可以直接指定需要输出的字段。

【练习 2-7】从订单表中筛选 2023 年以后的订单，显示 order_id、order_date、delivery_city。

orders = pd.read_csv("orders.csv")
result = orders.loc[orders["order_date"] >= "2023-01-01", 
                    ["order_id", "order_date", "delivery_city"]]
result.head()

语法要点： 日期字段可以直接比较字符串（ISO 格式）。

【练习 2-8】从评分表中筛选评分小于 3 分的记录，并显示 user_id、product_id、rating。

ratings = pd.read_csv("product_ratings.csv")
low_ratings = ratings.loc[ratings["rating"] < 3, ["user_id", "product_id", "rating"]]
low_ratings.head()

语法要点： 支持小于号 < 条件筛选。

【练习 2-9】从商品表中选出 unit_price 大于 5000 的商品，显示商品名和品牌。

products = pd.read_csv("products.csv")
expensive = products.loc[products["unit_price"] > 5000, ["product_name", "brand"]]
expensive.head()

语法要点： 数值型字段可用于区间筛选。

iloc 练习题（基于位置）

【练习 2-10】从用户表中取前 5 行的第 1、4、5 列。

users.iloc[:5, [0, 3, 4]]

语法要点： 用列表 [列索引] 选择非连续列。

【练习 2-11】从订单表中取第 100~109 行（共 10 行），所有列。

orders.iloc[100:110, :]

语法要点： : 表示“所有列”。

【练习 2-12】从商品评分表中选取最后 10 行的第 0~2 列。

ratings.iloc[-10:, 0:3]

语法要点： 负数索引 -10: 表示“倒数第10行到最后”。

【练习 2-13】从订单明细表中选取第 20 行到第 25 行的 product_id 和 quantity 列（假设这两列是第 2、3 列）。

items.iloc[20:26, [2, 3]]

语法要点： iloc 必须用整数位置，不能写列名。

2.6.3 采用表达式方式

【知识点】

df.query() 是 Pandas 提供的一种用于快速对 DataFrame 进行查询和过滤的简便方法。

# 语法
df.query('条件表达式')
# 举例：
df.query('Country == "China"')

条件表达式：可以是一个完整的布尔表达式字符串，用于定义查询条件。例如 Country == "China"。

注意

• 简洁性：使用字符串表达式进行查询，语法简单，代码更具可读性。

• 直接使用列名：在表达式中直接使用列名，不需要加引号或使用方括号。

• 逻辑运算符：支持使用 and、or、not 等逻辑运算符，或者使用 &、| 和 ~。

• 字符串处理：字符串值需要用双引号（"）括起来。

• 带空格的列名：对于带有空格或特殊字符的列名，使用反引号（``）括起来。

• 动态变量：可以通过 @` 符号在表达式中引用 Python 变量。

【例 2-26】从 users.csv 中查询所有注册城市为“广州”的用户信息

import pandas as pd
users = pd.read_csv("users.csv")
result = users.query('city == "广州"')
result

语法重点： 查询语句中列名可直接使用，字符串值必须用双引号 "..."。

【例 2-27】从 products.csv 中查询价格低于 1000 元的商品名称和价格

products = pd.read_csv("products.csv")
result = products.query('unit_price < 1000')[["product_name", "unit_price"]]
result.head()

语法重点： .query() 只负责行过滤，选列需在后面加 [["列1", "列2"]]。

【例 2-28】查询年龄在 25~35 岁之间的用户（含边界）

result = users.query('age >= 25 and age <= 35')
result.head()

语法重点： and, or, not 在 query() 中可替代 &, |, ~，更易读。

【例 2-29】从 orders.csv 中筛选出“支付宝”支付 且 状态为“完成”的订单

orders = pd.read_csv("orders.csv")
result = orders.query('payment_method == "支付宝" and order_status == "完成"')
result.head()

语法重点： 多条件使用 and 连接，逻辑关系更清晰。

【例 2-30】使用动态变量筛选：查询价格低于变量设定值的商品

max_price = 800
result = products.query('unit_price < @max_price')
result.head()

语法重点： 使用 @变量名 引用 Python 变量，让查询更动态、可重用。

【例 2-31】带空格的列名查询：筛选评分值为5,用户ID为U000001的商品评分记录

（假设列名为 user id，使用反引号）

ratings = pd.read_csv("product_ratings.csv")
print(ratings.columns)
ratings.columns = ["rating_id", "order_id", "user id", "product_id", "rating", "rating_time"]
result = ratings.query('rating == 5 and `user id` == "U000001"')
result

语法重点： 对-于列名含空格或特殊符号，必须使用反引号 列名 包裹。

【例 2-32】结合浏览日志，筛选出行为为“加购”的前 5 条记录

logs = pd.read_csv("browsing_logs.csv")
result = logs.query('action_type == "加购"')
result.head()

语法重点： query 支持任意布尔表达式字符串，逻辑语义清晰。

【练习题】

【练习 2-14】从用户表中筛选出所有性别为“女”的用户信息

users = pd.read_csv("users.csv")
result = users.query('gender == "女"')
result.head()

👉 语法重点：单条件筛选，字符串要用双引号。

【练习 2-15】从商品表中筛选价格在 2000 到 4000 元之间的商品，并查看商品名和品牌

products = pd.read_csv("products.csv")
result = products.query('2000 <= unit_price <= 4000')[["product_name", "brand"]]
result.head()

👉 语法重点：区间条件可以写成 a <= x <= b。

【练习 2-16】查询订单表中，配送方式为“快递”且订单状态为“完成”的订单，显示用户编号和下单时间

orders = pd.read_csv("orders.csv")
result = orders.query('delivery_type == "快递" and order_status == "完成"')[["user_id", "order_date"]]
result.head()

👉 语法重点：多条件用 and，并可结合列选择。

【练习 2-17】从用户表中查询所有在“北京”或“上海”注册的用户

result = users.query('city == "北京" or city == "上海"')[["user_name", "city"]]
result.head()

👉 语法重点：逻辑或用 or。

【练习 2-18】从订单明细表中筛选折扣小于 1 且购买数量大于等于 3 的记录

items = pd.read_csv("order_items.csv")
result = items.query('discount < 1 and quantity >= 3')
result.head()

👉 语法重点：跨字段条件组合。

2.7 综合练习

【练习 2-19】从用户表中筛选所有 注册城市为“广州” 的用户，显示 user_name, city 数据表：users.csv

import pandas as pd
users = pd.read_csv("users.csv")

# 方法A：[]
res1 = users[users["city"]=="广州"][["user_name","city"]]

# 方法B：.loc
res2 = users.loc[users["city"]=="广州", ["user_name","city"]]

# 方法C：.query
res3 = users.query('city == "广州"')[["user_name","city"]]

【练习 2-20】从商品表中筛选 价格低于 1000 元 的商品，显示 product_name, unit_price 数据表：products.csv

products = pd.read_csv("products.csv")

# 方法A：[]
res1 = products[products["unit_price"]<1000][["product_name","unit_price"]]

# 方法B：.loc
res2 = products.loc[products["unit_price"]<1000, ["product_name","unit_price"]]

# 方法C：.query
res3 = products.query('unit_price < 1000')[["product_name","unit_price"]]

【练习 2-21】筛选 年龄≥30 且性别为女 的用户，显示 user_name, age, province 数据表：users.csv

# 方法A：[]
res1 = users[(users["age"]>=30) & (users["gender"]=="女")][["user_name","age","province"]]

# 方法B：.loc
res2 = users.loc[(users["age"]>=30) & (users["gender"]=="女"), ["user_name","age","province"]]

# 方法C：.query
res3 = users.query('age >= 30 and gender == "女"')[["user_name","age","province"]]

【练习 2-22】从订单表中筛选 支付方式为“支付宝” 且 状态为“完成” 的订单，显示 order_id, user_id, order_date 数据表：orders.csv

orders = pd.read_csv("orders.csv")

# 方法A：[]
res1 = orders[(orders["payment_method"]=="支付宝") & (orders["order_status"]=="完成")][["order_id","user_id","order_date"]]

# 方法B：.loc
res2 = orders.loc[(orders["payment_method"]=="支付宝") & (orders["order_status"]=="完成"), ["order_id","user_id","order_date"]]

# 方法C：.query
res3 = orders.query('payment_method == "支付宝" and order_status == "完成"')[["order_id","user_id","order_date"]]

【练习 2-23】筛选浏览日志中 2024年1月 且 行为为“加购”或“收藏” 的记录，显示 user_id, product_id, action_type, browse_time 数据表：browsing_logs.csv

logs = pd.read_csv("browsing_logs.csv")

# 方法A：[]
res1 = logs[(logs["browse_time"].astype(str).str.startswith("2024-01")) & 
            (logs["action_type"].isin(["加购","收藏"]))][["user_id","product_id","action_type","browse_time"]]
res1.head()

# 方法B：.loc
res2 = logs.loc[(logs["browse_time"].astype(str).str.startswith("2024-01")) & 
                (logs["action_type"].isin(["加购","收藏"])), ["user_id","product_id","action_type","browse_time"]]
res1.head()

# 方法C：.query
res3 = logs.query('browse_time >= "2024-01-01" and browse_time < "2024-02-01" and action_type in ["加购","收藏"]')[["user_id","product_id","action_type","browse_time"]]
res1.head()