1.将属性filter_data的属性满足条件（month>5）的数据，赋值为0.

df["filter_data"].loc[df["Month"]>5] = 0
2.筛选多个条件：
 
df["filter_data"].loc[(df["Month"]>5) & (df['Month']<12)] = 0
3.筛选等于某个值：
 
df1 = df.loc[df['Month'].isin([1,2,3,4,5,12])]
参考资料：https://blog.csdn.net/qq_42902997/article/details/121668004
 
更新：
 4.筛选满足多个条件的数据：
 
df1 = df[df['Year'].isin([2020])&df['Month'].isin([12])] 
                                    假设我们想要根据“letter”列的值来改变“value”列的值。注意，在实际应用中，你需要根据你的数据集和任务选择合适的机器学习模型和参数。assert df.iloc[1]['value'] == 20 - 10, "部分条件满足时，符合条件的值应相应变化"assert df.iloc[2]['value'] == 30 * 2, "全部满足时，所有符合条件的值都应相应变化"assert df.iloc[0]['value'] == 10, "所有条件都不满足时，值不应改变"# 所有条件都不满足。
df = pd.DataFrame({'A':[100, 100, 200, 300, 400], 
                   'B':['a', 'a', 'c', 'd', 'e'],
                   'C':[3, 2, 1, 5, 4]})
生成出来的表如下所示：
                                    日常用Python做数据分析最常用到的就是查询筛选了，按各种条件、各种维度以及组合挑出我们想要的数据，以方便我们分析挖掘。
今天我给大家总结了日常查询和筛选常用的种骚操作，供各位学习参考。本文采用sklearn的boston数据举例介绍。喜欢本文记得收藏、关注、点赞。
【注】完整代码、数据资料、文末提供技术交流群
from sklearn import datasets
import pandas as pd
boston = datasets.load_boston()
df = pd.DataFram
import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(16).reshape(4,4),columns=["sh","bj","sz","gz"],index=["one","two","three","four"])
2、筛选出"sh"列大于5的数据
法一：直接筛选，适用于一些比较简单直接的筛选，这种方式方便快捷。
df[df["sh"]>5]
法二：函数筛选，适用于比较复杂的条件筛选，函
                                    在处理数据的过程中，有时需要筛选出数据框中符合特定条件的行，以便对这些行进行进一步的处理或者分析。Python Pandas 库提供了多种方式来实现基于条件的行选择。除了使用 query() 方法外，也可以使用 Pandas 提供的 loc[] 方法来选择符合条件的行。接下来，我们可以使用 Pandas 提供的 query() 方法来选择符合条件的行。下面我们将演示如何使用 Pandas 实现基于条件的行选择，并提供相应的源代码。筛选符合条件的数据行（Python Pandas 数据框中基于条件的行选择）
                                    文章目录根据条件定位/筛选某一列的值返回 series 结构的写法返回 dataframe 结构的写法基于整张表的定位操作根据条件修改某一列的值基于 series 结构的修改基于 dataframe 结构的修改Note: 这种情况是不奏效的，这是规定，因此在赋值的时候我们最好只用上面的第一种方式去写。再来一个训练实例
根据条件定位/筛选某一列的值
import pandas as pd
import numpy as np
df = pd.DataFrame(data={"数据":[1,2,3,4,5,6