如何在Pandas中用类SQL子查询筛选符合条件的车辆价值数据

嘿，作为Pandas新手，你这个问题非常典型——很多从SQL转过来的同学都会好奇怎么在Pandas里实现子查询逻辑。我来一步步给你拆解，同时对比你熟悉的SQL思路~

原始数据回顾 #

首先你的示例DataFrame是这样的：

import pandas as pd

df = pd.DataFrame({
    'Person': ['Adam', 'Adam', 'Cesar', 'Diana', 'Diana', 'Diana', 'Erika', 'Erika'],
    'Belonging': ['House', 'Car', 'Car', 'House', 'Car', 'Bike', 'House', 'Car'],
    'Value': [300, 10, 12, 450, 15, 2, 600, 11],
})

输出结果：

Person Belonging  Value
0   Adam    House    300
1   Adam      Car     10
2  Cesar      Car     12
3  Diana    House    450
4  Diana      Car     15
5  Diana     Bike      2
6  Erika    House    600
7  Erika      Car     11

方法1：最贴近SQL子查询的实现 #

你的SQL语句用IN子查询先筛选目标Person，再过滤Car记录，对应Pandas里可以用isin()方法实现完全一致的逻辑：

# 第一步：找出拥有价值超过400的House的Person列表
target_people = df[(df['Belonging'] == 'House') & (df['Value'] > 400)]['Person'].unique()

# 第二步：筛选这些Person对应的Car记录
result = df[(df['Person'].isin(target_people)) & (df['Belonging'] == 'Car')]

运行后得到你想要的结果：

Person Belonging  Value
4  Diana      Car     15
7  Erika      Car     11

方法2：用query()直接写类SQL语句 #

如果你更习惯SQL语法，可以用query()方法，甚至能写出几乎和SQL一模一样的子查询语句，用@引用子查询结果：

result = df.query(
    "Person in @(df[(Belonging=='House') & (Value>400)]['Person']) & Belonging=='Car'"
)

这种写法对SQL用户来说几乎零学习成本，非常直观！

方法3：Pandas风格的分组标记法 #

如果你想贴合Pandas的向量化操作习惯，可以用groupby+transform给每个Person标记是否符合条件，再筛选：

# 给每个Person添加标记：是否拥有价值超400的House
df['has_high_value_house'] = df.groupby('Person').apply(
    lambda x: ((x['Belonging'] == 'House') & (x['Value'] > 400)).any()
)

# 筛选符合条件的Car记录并移除标记列
result = df[(df['has_high_value_house']) & (df['Belonging'] == 'Car')].drop('has_high_value_house', axis=1)

关于Pandas的「子查询」机制 #

当然有！Pandas完全支持类似SQL的子查询逻辑：

• 第一种方法的isin()就对应SQL的IN子查询；
• query()方法允许你直接编写类SQL的查询语句，包括嵌套子查询；
• 你也可以先创建子DataFrame（对应SQL的子查询结果），再通过merge等操作和原表关联，这也是子查询的一种实现方式。

这些方法各有优劣：第一种最贴近SQL思路，容易上手；query()语法熟悉；分组方法更适合复杂的分组条件场景。你可以根据自己的习惯选择~

内容的提问来源于stack exchange，提问作者Snowrabbit