如何在Python中实现R选取数据集指定变量列的等效操作

要实现你提到的R数据框操作，Python生态下通常用pandas库处理结构化表格数据，操作前先完成基础准备：

# 导入pandas库
import pandas as pd
# 按你的数据集格式读入文件，以下是csv格式示例，excel/SPSS等格式对应替换为pd.read_excel/pd.read_spss即可
dataset = pd.read_csv("你的数据集文件路径")

1. 对应R中select提取指定列的实现 #

你给出的第二种dataset %>% select(name_of_interested_variable)是提取指定列、返回新数据框的操作，pandas等效写法有两种常用形式：

• 基础索引写法：

# 保留数据框结构，和R select返回结果完全一致
dataset1 = dataset[['name_of_interested_variable']]
# 多选列直接在列表中追加列名即可，比如dataset[['col1', 'col2']]

• 如果你习惯R的管道式链式操作，pandas也支持类似写法：

dataset1 = (
    dataset
    .filter(items=['name_of_interested_variable'])
    # 后续可以继续追加其他处理逻辑，和dplyr的%>%逻辑一致
)

注意：如果不需要保留数据框结构，只需要拿到该列的一维数组，直接写dataset['name_of_interested_variable']即可。

2. 对应R中dataset[dataset$name_of_interested_variable,]行筛选的实现 #

你给出的第一种R语法实际是按name_of_interested_variable列的布尔值筛选符合条件的行，和第二种选列的逻辑并不等价，等效的pandas写法如下：

# 基础写法
dataset1 = dataset[dataset['name_of_interested_variable']]
# 链式写法
dataset1 = dataset.query("name_of_interested_variable == True")

如果你的实际需求是两种写法都为提取列，大概率是第一种R写法的下标逗号位置打错了，对应dataset[, 'name_of_interested_variable']的R语法，直接参考第一部分的列提取写法即可。

内容的提问来源于stack exchange，提问作者12666727b9