# Kuinka hakea DataFrames-tietokantoja pandas isin() -toiminnolla

Python pandas -funktio `DataFrame.isin()` on suunniteltu tarkistamaan nopeasti ja tehokkaasti **, onko tiettyjä arvoja DataFrame-kehyksessä**. Tämä funktio on erityisen hyödyllinen useiden arvojen samanaikaisessa tarkistamisessa.

## Mikä on pandas `isin()`:n syntaksi?

Pandas `isin()` ottaa yhden parametrin ja näyttää tältä:

```python
DataFrame.isin(values)
```

`values` voi olla **Python-lista, Python-sanakirja tai toinen DataFrame**. Se sisältää arvot, joita haluat etsiä DataFrame-kehyksestä.

Vinkki Jos työskentelet pandas-sarjojen kanssa DataFrames-sarjojen sijaan, voit käyttää vastaavaa toimintoa `Series.isin()`.

## Kuinka käyttää `isin()` DataFrames-kehyksissä pandas-kirjastossa

Voit käyttää `isin()` eri tarkoituksiin. Arvojen tarkistamisen lisäksi sitä voidaan käyttää myös DataFrame-taulukoiden suodattamiseen.

### Sarakkeen arvojen tarkistaminen

Ensinnäkin, katsotaanpa DataFrame-taulukkoa, joka sisältää tietoja eri ihmisistä ja heidän asuinpaikoistaan.

```python
import pandas as pd
# Creating a DataFrame
data = {
    'Name': ['Amir', 'Bella', 'Charlize', 'David'],
    'City': ['Nottingham', 'London', 'Cardiff', 'Hull']
}
df = pd.DataFrame(data)
print(df)
```

DataFrame näyttää tältä:

```none
Name      City
0    Amir    	Nottingham
1    Bella  	London
2    Charlize   Cardiff
3    David    Hull
```

Nyt haluamme käyttää pandas `isin()` tarkistaaksemme, esiintyvätkö City-sarakkeen kaupungit erillisessä luomassamme kaupunkiluettelossa. Kun olemme luoneet luettelon viitekaupungeista, suoritamme toiminnon DataFrame-sarakkeen “City” kohdalla:

```python
# Cities for the list to be compared to
cities_to_check_against = ['Cardiff', 'Hull', 'Middlesbrough']
# Using the isin() method
result = df['City'].isin(cities_to_check_against)
print(result)
```

Tuloksena on sarja boolenaisia arvoja, jotka osoittavat, onko jokainen kaupunki City-sarakkeessa mukana `cities_to_check_against` luettelossa:

```none
0    False
1    False
2     True
3     True
Name: City, dtype: bool
```

### DataFrame-kehyksen suodattaminen käyttämällä `isin()`

Voit myös käyttää pandas `isin()` suodattamaan DataFrame-taulukon ja säilyttää vain rivit, joissa on `cities_to_check_against` luettelossa esiintyviä kaupunkeja.

```python
# Filtering a DataFrame using isin()
filtered_df = df[df['City'].isin(cities_to_check_against)]
print(filtered_df)
```

Tuloksena on DataFrame, joka sisältää vain rivit, joissa on kaupunkeja, jotka ovat myös `cities_to_check_against` luettelossa:

```none
Name    	City
2  Charlize  	Cardiff
3  David  		Hull
```

### Useiden sarakkeiden tarkistaminen DataFrame-kehyksessä

Monimutkaisempia suodatustoimintoja varten voit käyttää myös pandas `isin()` -kirjastoa sanakirjojen kanssa. Seuraavassa esimerkissä näet, kuinka voit käyttää sanakirjaa tarkistaaksesi samanaikaisesti useita DataFrame-taulukon sarakkeita. Ensin lisätään sarake alkuperäiseen DataFrame-taulukkoon ja sitten käytetään `isin()`:

```python
# Creating a DataFrame
data = {
    'Name': ['Amir', 'Bella', 'Charlize', 'David'],
    'City': ['Nottingham', 'London', 'Cardiff', 'Hull'],
    'Age': [25, 30, 35, 40]
}
df = pd.DataFrame(data)
# Dictionary with values that the DataFrame should be checked against
values_to_check_against = {
    'City': ['Cardiff', 'Hull'],
    'Age': [30, 40]
}
# Using isin() with a dictionary
result = df.isin(values_to_check_against)
print(result)
```

Tässä tapauksessa `isin()` tuloksena saadaan DataFrame-taulukko, jossa on boolenilaisia arvoja, jotka osoittavat, ovatko ehdot täyttyneet kussakin sarakkeessa:

```none
Name  City  Age
0  False  False  False
1  False  False   True
2  False   True  False
3  False   True   True
```


This is a markdown version of: [https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-isin/](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-isin/) for AI/LLM consumption.