本文介绍如何在pandas中根据某列（如'grade'）的字符串值进行条件筛选，并为不同类别（如'fair'、'good'）分别生成指定结构的dataframe或字典，避免常见布尔索引与语法错误。
本文介绍如何在pandas中根据某列（如'grade'）的字符串值进行条件筛选，并为不同类别（如'fair'、'good'）分别生成指定结构的dataframe或字典，避免常见布尔索引与语法错误。
在实际数据分析中，常需依据分类字段（如成绩等级）动态构建不同结构的结果集。以原始数据为例：
import pandas as pd
# 示例数据（注意：原始输入含大小写/空格不一致问题，需清洗）
df = pd.DataFrame({
'Roll': [123, 789, 445, 675],
'marks': [56.0, 70.0, 89.0, 45.0],
'grade': ['Fair', 'Good', 'Good', 'Fair'], # 统一为首字母大写、无尾随点
'section': ['A', 'A', 'C', 'b'],
'Team': ['Titans', 'Kings', 'Giants', 'Boss']
})⚠️ 关键注意事项：
- if df['grade'] == 'Fair': 是非法语法——Pandas Series 不能直接用于 if 条件判断（会抛出 ValueError: The truth value of a Series is ambiguous）；必须使用布尔索引或 .loc。
- 字符串匹配需注意大小写与空白字符（如原数据中的 'Fair.'、'Good.'、'b.'），建议先标准化：
df['grade'] = df['grade'].str.strip('. ').str.capitalize()
✅ 正确做法：按条件筛选并重构 DataFrame
# 步骤1：标准化 grade 列
df['grade'] = df['grade'].str.strip('. ').str.capitalize()
# 步骤2：筛选 Fair 行 → 构建 Final DataFrame（activities=Team, student=Roll）
fair_mask = df['grade'] == 'Fair'
final_fair = df.loc[fair_mask, ['Team', 'Roll']].rename(
columns={'Team': 'activities', 'Roll': 'student'}
).reset_index(drop=True)
# 步骤3：筛选 Good 行 → 构建 Final2 DataFrame（type=Team, student=marks）
good_mask = df['grade'] == 'Good'
final_good = df.loc[good_mask, ['Team', 'marks']].rename(
columns={'Team': 'type', 'marks': 'student'}
).reset_index(drop=True)
print("Fair grade result:")
print(final_fair)
print("\nGood grade result:")
print(final_good)输出示例：
Fair grade result:
activities student
0 Titans 123
1 Boss 675
Good grade result:
type student
0 Kings 70.0
1 Giants 89.0? 进阶技巧：一键生成字典结构（如题中 Final = {...}）
若需返回字典而非 DataFrame，可调用 .to_dict('list') 或 .to_dict('records')：
# 按题意生成字典格式（键为列名，值为列表）
Final = final_fair.to_dict('list') # {'activities': ['Titans', 'Boss'], 'student': [123, 675]}
Final2 = final_good.to_dict('list') # {'type': ['Kings', 'Giants'], 'student': [70.0, 89.0]}? 总结：
- 永远避免 if df['col'] == x: 这类直接条件判断；坚持使用布尔索引（df[mask]）或 .loc[mask, cols]。
- 字符串比较前务必清洗（.str.strip(), .str.lower() 等）。
- 列重命名推荐用 .rename(columns={...})，清晰且链式友好。
- 输出格式灵活选择：DataFrame 便于后续分析，.to_dict() 适配API或配置需求。
