🔹 DA9：2020年毕业且使用Java的用户

📌 题目描述

筛选出 2020年毕业 且 常用语言为 Java 的用户，输出他们的全部信息，并设置显示选项以完整显示数据。

✅ 正确代码

import pandas as pd# 读取数据
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',')# 设置显示选项
pd.set_option('display.width', 300)          # 字符显示宽度
pd.set_option('display.max_rows', None)      # 显示所有行
pd.set_option('display.max_columns', None)   # 显示所有列# 方法1：布尔索引（推荐）
result = Nowcoder[(Nowcoder['Graduate_year'] == 2020) & (Nowcoder['Language'] == 'Java')]# 方法2：使用 query（更清晰）
# result = Nowcoder.query("Graduate_year == 2020 and Language == 'Java'")print(result)

💡 扩展知识

技术点	说明
& 操作符	表示“与”（and），必须加括号：(A) & (B)
query() 方法	支持字符串表达式，可读性强，支持 and/or/in
pd.set_option()	控制 Pandas 输出格式，避免 ... 或换行
== 比较	注意数据类型：2020（int） vs '2020'（str）

✅ 推荐使用 query() 处理复杂条件，代码更易读。

---

🔹 DA9：筛选 C 系语言用户（C/C++/C#）

📌 题目描述

筛选出使用 C++、C 或 C# 的用户，输出他们的全部信息。

✅ 正确代码

import pandas as pd# 读取数据
df = pd.read_csv('Nowcoder.csv', sep=',')# 设置显示选项
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
pd.set_option('display.width', None)# 使用 isin() 筛选多个值（推荐）
result = df[df['Language'].isin(['C++', 'C', 'C#'])]# 注意：'CPP' 应为 'C++'，检查数据真实值
# 可先查看：print(df['Language'].unique())print(result)

💡 扩展知识

方法	说明
.isin(list)	判断某列值是否在给定列表中，天然支持“或”逻辑 ✅
替代写法	(A) | (B) | (C)，但代码冗长
数据清洗	使用 .str.strip() 去空格，.str.lower() 统一大小写
unique()	查看列中唯一值，排查拼写问题

✅ isin() 是处理“多选一”场景的最佳实践。

---

🔹 DA10：刷题量 ≥500 的用户等级与成就值

📌 题目描述

筛选出刷题量不低于 500 的用户，输出他们的 等级（Level） 和 成就值（Achievement_value）。

✅ 正确代码

import pandas as pd# 读取数据
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',')# 筛选刷题量 >= 500 的用户
df = Nowcoder[Nowcoder['Num_of_exercise'] >= 500]# 输出指定两列
print(df[['Level', 'Achievement_value']])

💡 扩展知识

技术点	说明
df[['col1', 'col2']]	选择多列，双层中括号
链式索引风险	df[cond]['col'] 可能触发 SettingWithCopyWarning
推荐写法	df.loc[cond, ['Level', 'Achievement_value']] 更安全
数据类型	确保 Num_of_exercise 是数值型（int/float）

✅ 安全写法：

print(Nowcoder.loc[Nowcoder['Num_of_exercise'] >= 500, ['Level', 'Achievement_value']])

---

🔹 DA11：筛选非2018年毕业的 C++ 7级用户

📌 题目描述

筛选出 语言为 C++、等级为 7 的用户，再从中排除 2018年毕业 的用户，输出全部信息。

✅ 正确代码

import pandas as pd# 读取数据
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',')# 设置显示选项
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
pd.set_option('display.width', None)# 方法1：分步筛选
df = Nowcoder[(Nowcoder['Language'] == 'C++') & (Nowcoder['Level'] == 7)]
result = df[df['Graduate_year'] != 2018]# 方法2：一步完成（推荐）
# result = Nowcoder.query("Language == 'C++' and Level == 7 and Graduate_year != 2018")print(result)

💡 扩展知识

技术点	说明
!=	“不等于”操作符，用于排除特定值
多条件组合	使用 &（与）、`
括号重要性	每个条件必须加括号：(A) & (B) & (C)
query() 优势	支持 !=、!=、in、not in，逻辑清晰

✅ 推荐使用 query() 处理复杂条件：

Nowcoder.query("Language == 'C++' and Level == 7 and Graduate_year != 2018")

---

🎯 总结：Pandas 核心筛选技巧速查

操作	推荐方法
单条件筛选	df[cond]
多条件“与”	(A) & (B) 或 query("A and B")
多条件“或”	(A) | (B) 或 .isin([...])
“不等于”	!=
选择多列	df[['col1', 'col2']] 或 df.loc[:, ['col1', 'col2']]
避免链式索引	优先使用 loc
显示全部数据	pd.set_option('display.max_columns', None) 等