pandas loc iloc ix用法详细分析

目录

• 1.什么是label
• 2.loc用法
• 2.1 选择行
• 2.2 选择列
• 2.3 选择指定的行列
• 2.4 loc小结
• 3.iloc用法
• 4.ix

1.什么是label

pandas处理数据时，我们会经常看到d开发者_Go入门ataframe结构使用loc, iloc, ix等方法。那么这些方法到底有啥区别，下面我们来进行详细分析。

首先我们先明确一点，这几个方法都可以用来过滤dataframe的行列。他们的不同，主要还是使用方式的不同。

在分析之前，我们先来明确一下标签label的概念。为了方便看得更清楚，先构造一个数据集

import pandas as pd

def test_loc():
    name = ['n1', 'n2', 'n3', 'n4', 'n5', 'n6']
    age = [1, 2, 3, 4, 5, 6]
    country = ['Chi', 'Chi', 'Ame', 'Ame', 'Jp', 'Koe']
    city = ['bj', 'sh', 'ny', 'ny', 'tok', 'se']
 javascript   data = pd.DataFrame({'name': name, 'age': age, 'country': country, 'city': city})

    # label
    print(data)

  name  age country city
0   n1    1     Chi   bj
1   n2    2     Chi   sh
2   n3    3     Ame   ny
3   n4    4     Ame   ny
4   n5    5      Jp  tok
5   n6    6     Koe   se

上面的data，0,1,2,3,4,5为索引，就是我们的行标签。name ,age,country,city为列名，则是我们的列标签。

2.loc用法

我们先直接上结论：loc可以基于行列标签对数据进行筛选。

下面通过实验来说明。

def test_loc():
    name = ['n1', 'n2', 'n3', 'n4', 'n5', 'n6']
    age = [1, 2, 3, 4, 5, 6]
    country = ['Chi', 'Chi', 'Ame', 'Ame', 'Jp', 'Koe']
    city = ['bj', 'sh', 'ny', 'ny', 'tok', 'se']
    data 编程= pd.DataFrame({'name': name, 'age': age, 'country': country, 'city': city})
    # 取前几行
    print(data.loc[[0, 1, 2]])
    print()
    print(data.loc[0:2])
    print()

    # 取某几列
    print(data.loc[:, ['name', 'age', 'city']])
    print()

    # 取几行几列
    print(data.loc[0:2,['name', 'age', 'city']])
    print()

2.1 选择行

loc的整体语法为loc[rows, columns]。逗号前面部分为选择的行，后面部分为选择的列，":"表示全选。

loc[0:2]与loc[[0, 1, 2]]的效果一致，都是表示选取前3行，可以认为此时是通过行标签选择数据。

2.2 选择列

实际操作中，最常见的需求就是选择某几列而不是所有数据。loc[:, [‘name’, ‘age’, ‘city’]]就是选择散列，逗号前面的:表示选择所有行。

2.3 选择指定的行列

data.loc[0:2,[‘name’, ‘age’, ‘city’]]这种用法，意思就是选择前三行的name,age,city这三列。

2.4 loc小结js

1.就像我们一开始提到的，loc是基于数据行列标签对数据进行筛选。

2.针对行标签选择时，如果index是默认的整数序列，选择的时候包括了末端的一行。

3.":"表示选择所有行或者所有列。

3.iloc用法

直接上结论：iloc与loc的不同在于，loc基于数据标签进行筛选，编程客栈而iloc基于位置进行数据筛选，i可以认为是integer，即在loc的基础上，用integer整数当作"索引"

看个例子

def test_iloc():
    name = ['n1', 'n2', 'n3', 'n4', 'n5', 'n6']
    age = [1, 2, 3, 4, 5, 6]
    country = ['Chi', 'Chi', 'Ame', 'Ame', 'Jp', 'Koe']
    city = ['bj', 'sh', 'ny', 'ny', 'tok', 'se']
    data = pd.DataFrame({'name': name, 'age': age, 'country': country, 'city': city})

    # iloc的索引，不包含最后一个
    print(data.iloc[0:2])
    print()

    #
    print(data.iloc[:, javascript0:2])
    print()
    print(data.iloc[:,[0, 1, 3]])
    print()

    # print(data.iloc[:, ['name', 'city']])
    # IndexError: .iloc requires numeric indexers, got ['name' 'city']

最后输出为：

  name  age country city

0   n1    1     Chi   bj

1   n2    2     Chi   sh

  name  age

0   n1    1

1   n2    2

2   n3    3

3   n4    4

4   n5    5

5   n6    6

  name  age city

0   n1    1   bj

1   n2    2   sh

2   n3    3   ny

3   n4    4   ny

4   n5    5  tok

5   n6    6   se

iloc[0:2]，表示选择前两行。注意在iloc中，末端那行不包括。因为起始索引是0，所以iloc[0:2]选择的是第0行与第1行。

data.iloc[:, 0:2]表示选择前两列，data.iloc[:,[0, 1, 3]]表示选择第0,1,3列。

如果我们尝试用列名筛选数据，data.iloc[:, [‘name’, ‘city’]]

代码会报错

IndexError: .iloc requires numeric indexers, got ['name' 'city']

上面的错误信息就很明确的告诉了我们，iloc方法需要numeric indexers。

4.ix

最后一个ix，是历史版本的用法。ix的作用，现在用loc,iloc基本都能实现，所以ix也基本上被loc,iloc所代替，现在官方不再推荐使用。

到此这篇关于pandas loc iloc ix用法详解的文章就介绍到这了,更多相关pandas loc iloc ix用法内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！