Python按条件筛选、剔除表格数据并绘制剔除前后的直方图

  本文介绍基于Python语言，读取Excel表格文件数据，以其中某一列数据的值为标准，对于这一列数据处于指定范围的所有行，再用其他几列数据的数值，加以数据筛选与剔除；同时，对筛选前、后的数据分别绘制若干直方图，并将结果数据导出保存为一个新的Excel表格文件的方法。

  首先，我们来明确一下本文的具体需求。现有一个Excel表格文件，在本文中我们就以.csv格式的文件为例；其中，如下图所示，这一文件中有一列（在本文中也就是days这一列）数据，我们将其作为基准数据，希望首先取出days数值处于0至45、320至365范围内的所有样本（一行就是一个样本），进行后续的操作。

  其次，对于取出的样本，再依据其他4列（在本文中也就是blue_dif、green_dif、red_dif与inf_dif这4列）数据，将这4列数据不在指定数值区域内的行删除。在这一过程中，我们还希望绘制在数据删除前、后，这4列（也就是blue_dif、green_dif、red_dif与inf_dif这4列）数据各自的直方图，一共是8张图。最后，我们还希望将删除上述数据后的数据保存为一个新的Excel表格文件。

  知道了需求，我们就可以撰写代码。本文所用的代码如下所示。

# -*- coding: utf-8 -*-
"""
Created on Tue Sep 12 07:55:40 2023

@author: fkxxgis
"""

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

original_file_path = "E:/01_Reflectivity/99_Model/02_Extract_Data/26_Train_Model_New/Train_Model_0715_Main_Over_NIR.csv"
# original_file_path = "E:/01_Reflectivity/99_Model/02_Extract_Data/26_Train_Model_New/TEST.csv"
result_file_path = "E:/01_Reflectivity/99_Model/02_Extract_Data/26_Train_Model_New/Train_Model_0715_Main_Over_NIR_New.csv"

df = pd.read_csv(original_file_path)

blue_original = df[(df['blue_dif'] >= -0.08) & (df['blue_dif'] <= 0.08)]['blue_dif']
green_original = df[(df['green_dif'] >= -0.08) & (df['green_dif'] <= 0.08)]['green_dif']
red_original = df[(df['red_dif'] >= -0.08) & (df['red_dif'] <= 0.08)]['red_dif']
inf_original = df[(df['inf_dif'] >= -0.1) & (df['inf_dif'] <= 0.1)]['inf_dif']

mask = ((df['days'] >= 0) & (df['days'] <= 45)) | ((df['days'] >= 320) & (df['days'] <= 365))
range_min = -0.03
range_max = 0.03

df.loc[mask, 'blue_dif'] = df.loc[mask, 'blue_dif'].apply(lambda x: x if range_min <= x <= range_max else np.random.choice([np.nan, x]))
df.loc[mask, 'green_dif'] = df.loc[mask, 'green_dif'].apply(lambda x: x if range_min <= x <= range_max else np.random.choice([np.nan, x]))
df.loc[mask, 'red_dif'] = df.loc[mask, 'red_dif'].apply(lambda x: x if range_min <= x <= range_max else np.random.choice([np.nan, x]))
df.loc[mask, 'inf_dif'] = df.loc[mask, 'inf_dif'].apply(lambda x: x if range_min <= x <= range_max else np.random.choice([np.nan, x], p =[0.9, 0.1]))
df = df.dropna()

blue_new = df[(df['blue_dif'] >= -0.08) & (df['blue_dif'] <= 0.08)]['blue_dif']
green_new = df[(df['green_dif'] >= -0.08) & (df['green_dif'] <= 0.08)]['green_dif']
red_new = df[(df['red_dif'] >= -0.08) & (df['red_dif'] <= 0.08)]['red_dif']
inf_new = df[(df['inf_dif'] >= -0.1) & (df['inf_dif'] <= 0.1)]['inf_dif']

plt.figure(0)
plt.hist(blue_original, bins = 50)
plt.figure(1)
plt.hist(green_original, bins = 50)
plt.figure(2)
plt.hist(red_original, bins = 50)
plt.figure(3)
plt.hist(inf_original, bins = 50)

plt.figure(4)
plt.hist(blue_new, bins = 50)
plt.figure(5)
plt.hist(green_new, bins = 50)
plt.figure(6)
plt.hist(red_new, bins = 50)
plt.figure(7)
plt.hist(inf_new, bins = 50)

df.to_csv(result_file_path, index=False)

  首先，我们通过pd.read_csv函数从指定路径的.csv文件中读取数据，并将其存储在名为df的DataFrame中。

  接下来，通过一系列条件筛选操作，从原始数据中选择满足特定条件的子集。具体来说，我们筛选出了在blue_dif、green_dif、red_dif与inf_dif这4列中数值在一定范围内的数据，并将这些数据存储在名为blue_original、green_original、red_original和inf_original的新Series中，这些数据为我们后期绘制直方图做好了准备。

  其次，创建一个名为mask的布尔掩码，该掩码用于筛选满足条件的数据。在这里，它筛选出了days列的值在0到45之间或在320到365之间的数据。

  随后，我们使用apply函数和lambda表达式，对于days列的值在0到45之间或在320到365之间的行，如果其blue_dif、green_dif、red_dif与inf_dif这4列的数据不在指定范围内，那么就将这列的数据随机设置为NaN，p =[0.9, 0.1]则是指定了随机替换为NaN的概率。这里需要注意，如果我们不给出p =[0.9, 0.1]这样的概率分布，那么程序将依据均匀分布的原则随机选取数据。

  最后，我们使用dropna函数，删除包含NaN值的行，从而得到筛选处理后的数据。其次，我们依然根据这四列的筛选条件，计算出处理后的数据的子集，存储在blue_new、green_new、red_new和inf_new中。紧接着，使用Matplotlib创建直方图来可视化原始数据和处理后数据的分布；这些直方图被分别存储在8个不同的图形中。

  代码的最后，将处理后的数据保存为新的.csv文件，该文件路径由result_file_path指定。

  运行上述代码，我们将得到8张直方图，如下图所示。且在指定的文件夹中看到结果文件。

  至此，大功告成。