Python Pandas：如何提取与Filter1或filter2匹配的数据帧行

我有一个熊猫数据框，看起来像这样，例如：

label          Y88_N          diff       div      fold  
0       25273.626713  17348.581851  2.016404  2.016404  
1       29139.510491  -4208.868050  0.604304 -0.604304  
2       34388.439717 -30147.834699  0.458903 -0.458903  
3       69704.254089 -32976.152490  0.116894 -0.116894  
4      193717.440783 -71359.494098  0.286045 -0.286045  
5       28996.634708  10934.944533  2.031293  2.031293  
6       45021.782930    680.437629  1.056383  1.056383  

但是有数千行。 当值位于“fold”列中时，我希望获得一个新的数据框，其中包含行 大于2或小于0.6。 因此，在最后，数据帧应该如下所示：

label          Y88_N          diff       div      fold  
0       25273.626713  17348.581851  2.016404  2.016404  
1       29139.510491  -4208.868050  0.604304 -0.604304  
5       28996.634708  10934.944533  2.031293  2.031293

我尝试过不同的方法，比如：

def ranged(start, end, step):
x = start
    while x < end:
        yield x
        x += step
df2 = df[~df['fold'].isin(ranged(-0.6, 2, 0.000001))]

def范围（开始、结束、步骤）：
x=开始
而x

或

---

df2=df[（df['fold']>=2）和（df['fold']在第二个示例中，您只需要使用
（或）而不是
&
（和）：

df2 = df[(df['fold'] >= 2) | (df['fold'] <= -0.6)]

df2
Out[6]: 
   label         Y88_N          diff       div      fold
0      0  25273.626713  17348.581851  2.016404  2.016404
1      1  29139.510491  -4208.868050  0.604304 -0.604304
5      5  28996.634708  10934.944533  2.031293  2.031293

df2=df[（df['fold']>=2）|（df['fold']在第二个示例中，您只需要使用
（或）而不是
&
（和）：

df2 = df[(df['fold'] >= 2) | (df['fold'] <= -0.6)]

df2
Out[6]: 
   label         Y88_N          diff       div      fold
0      0  25273.626713  17348.581851  2.016404  2.016404
1      1  29139.510491  -4208.868050  0.604304 -0.604304
5      5  28996.634708  10934.944533  2.031293  2.031293

df2=df[（df['fold']>=2）|（df['fold']你可以做

In [276]: df[(df['fold'] >= 2) | (df['fold'] <= -0.6)]
Out[276]:
   label         Y88_N          diff       div      fold
0      0  25273.626713  17348.581851  2.016404  2.016404
1      1  29139.510491  -4208.868050  0.604304 -0.604304
5      5  28996.634708  10934.944533  2.031293  2.031293

而且，
pd.eval（）
适用于包含大型数组的表达式

In [278]: df[pd.eval('df.fold >=2 | df.fold <=-0.6')]
Out[278]:
   label         Y88_N          diff       div      fold
0      0  25273.626713  17348.581851  2.016404  2.016404
1      1  29139.510491  -4208.868050  0.604304 -0.604304
5      5  28996.634708  10934.944533  2.031293  2.031293

[278]中的
：df[pd.eval（'df.fold>=2 | df.fold你可以做

In [276]: df[(df['fold'] >= 2) | (df['fold'] <= -0.6)]
Out[276]:
   label         Y88_N          diff       div      fold
0      0  25273.626713  17348.581851  2.016404  2.016404
1      1  29139.510491  -4208.868050  0.604304 -0.604304
5      5  28996.634708  10934.944533  2.031293  2.031293

而且，
pd.eval（）
适用于包含大型数组的表达式

In [278]: df[pd.eval('df.fold >=2 | df.fold <=-0.6')]
Out[278]:
   label         Y88_N          diff       div      fold
0      0  25273.626713  17348.581851  2.016404  2.016404
1      1  29139.510491  -4208.868050  0.604304 -0.604304
5      5  28996.634708  10934.944533  2.031293  2.031293

In[278]：df[pd.eval（'df.fold>=2 | df.fold）这看起来不错，但每种方法（运行速度、内存等）的优点/缺点是什么？非常感谢您的回答，这真的很完整。我不知道为什么，但我尝试过类似于df[（df['fold'>=2）|（df['fold']这看起来不错，但每种方法（运行速度、内存等）的优点/缺点是什么？非常感谢您的回答，这真的很完整。我不知道为什么，但我尝试过类似于df[（df['fold]>=2）|（df['fold']只是一个技术点
df2=df[（df['fold]>=2）和（df['fold']仅仅是一个技术点
df2=df[（df['fold']>=2）和（df['fold']