1. 数据筛选

a b c
0 0 2 4
1 6 8 10
2 12 14 16
3 18 20 22
4 24 26 28
5 30 32 34
6 36 38 40
7 42 44 46
8 48 50 52
9 54 56 58
（1）单条件筛选
df[df[‘a’]>30]

如果想筛选 a 列的取值大于 30 的记录, 但是之显示满足条件的 b，c 列的值可以这么写

df’b’,’c’[df[‘a’]>30]

使用 isin 函数根据特定值筛选记录。筛选 a 值等于 30 或者 54 的记录

df[df.a.isin([30, 54])]
（2）多条件筛选
　　可以使用 &（并）与 | （或）操作符或者特定的函数实现多条件筛选

使用 & 筛选 a 列的取值大于 30，b 列的取值大于 40 的记录

df[(df[‘a’] > 30)& (df[‘b’] > 40)]
（3）索引筛选
a. 切片操作
　　df[行索引，列索引] 或 df列名 1，列名 2

#使用切片操作选择特定的行
df[1:4]
#传入列名选择特定的列
df’a’,’c’
b. loc 函数
　　当每列已有 column name 时，用 df [‘a’] 就能选取出一整列数据。如果你知道 column names 和 index，且两者都很好输入，可以选择 .loc 同时进行行列选择。
In [28]: df.loc[0,‘c’]
Out[28]: 4

In [29]: df.loc[1:4,[‘a’,‘c’]]
Out[29]:
a c
1 6 10
2 12 16
3 18 22
4 24 28

In [30]: df.loc[[1,3,5],[‘a’,‘c’]]
Out[30]:
a c
1 6 10
3 18 22
5 30 34

c. iloc 函数

　　如果 column name 太长，输入不方便，或者 index 是一列时间序列，更不好输入，那就可以选择 .iloc 了，该方法接受列名的 index,iloc 使得我们可以对 column 使用 slice（切片）的方法对数据进行选取。这边的 i 我觉得代表 index，比较好记点。
In [35]: df.iloc[0,2]
Out[35]: 4

In [34]: df.iloc[1:4,[0,2]]
Out[34]:
a c
1 6 10
2 12 16
3 18 22

In [36]: df.iloc[[1,3,5],[0,2]]
Out[36]:
a c
1 6 10
3 18 22
5 30 34

In [38]: df.iloc[[1,3,5],0:2]
Out[38]:
a b
1 6 8
3 18 20
5 30 32

d. ix 函数

ix 的功能更加强大，参数既可以是索引，也可以是名称，相当于，loc 和 iloc 的合体。需要注意的是在使用的时候需要统一，在行选择时同时出现索引和名称， 同样在同行选择时同时出现索引和名称。
df.ix[1:3,[‘a’,‘b’]]
Out[41]:
a b
1 6 8
2 12 14
3 18 20

In [42]: df.ix[[1,3,5],[‘a’,‘b’]]
Out[42]:
a b
1 6 8
3 18 20
5 30 32

In [45]: df.ix[[1,3,5],[0,2]]
Out[45]:
a c
1 6 10
3 18 22
5 30 34
e. at 函数
　　根据指定行 index 及列 label，快速定位 DataFrame 的元素，选择列时仅支持列名。

In [46]: df.at[3,‘a’]
Out[46]: 18
f. iat 函数
　　与 at 的功能相同，只使用索引参数

In [49]: df.iat[3,0]
Out[49]: 18