經過了昨天已經學會用Pandas以多重條件判斷資料，
而今天呢要做點延伸，
搭配numpy來篩選多的條件，
首先在程式的最上方先import numpy as np，
後面以同樣的範例來講解，
必免混亂。

範例

首先，先建立一個DataFrame結構的資料，
或是有匯入的資料轉成DataFrame結構也行。
這邊為了方便對照，先印出完整的資料來看。

data = {
    'MemberId': ['001', '002', '003', '004', '005', '006', '007', '008', '009', '010'],
    'Name': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
    'Height': [175, 153, 164, 168, 158, 189, 171, 166, 176, 170],
    'Weight': [80, 45, 75, 52, 68, 78, 87, 85, 67, 60],
    'City': ['New York', 'Los Angeles', 'Chicago', 'Washington', 'New York', 'Washington', 'Utah','Washington', 'Chicago', 'New York']
}
df = pd.DataFrame(data)
print(df)

印出資料如下

  MemberId Name  Height  Weight         City
0      001    A     175      80     New York
1      002    B     153      45  Los Angeles
2      003    C     164      75      Chicago
3      004    D     168      52   Washington
4      005    E     158      68     New York
5      006    F     189      78   Washington
6      007    G     171      87         Utah
7      008    H     166      85   Washington
8      009    I     176      67      Chicago
9      010    J     170      60     New York

numpy以多重條件判斷資料

這邊先來簡單複習一下，
條件沿用昨天的，
條件一：df['Height'] >= 160判斷Height是否大於等於160；
條件二：df['Weight'] >= 70判斷Weight是否大於等於70；
而間天要用的語法如下，
np.logical_and(條件一,條件二)
若有更多條件就用逗號,隔開即可，
帶入條件語法就是
np.logical_and(df['Height'] >= 160, df['Weight'] >= 70)
最後印出回傳結果。

print(np.logical_and(df['Height'] >= 160, df['Weight'] >= 70))

印出資料如下，
資料結構為Series。

0     True
1    False
2     True
3    False
4    False
5     True
6     True
7     True
8    False
9    False
dtype: bool

可以看到與昨日相比，
用的方式不同，
但可以得到相同的結果。

今日結語

今天教大家用numpy的方式取得判斷資料，
多學幾種方式也讓自己多點選擇來決定如何取得資料，
在這些延伸模組間都有著很大的彈性可以互通學習，
熟悉後才能找出最適當的方式，
所以大家要好好學習呢。