Pandas ix 、loc 、 iloc区别
loc
loc——通过行标签索引行数据
loc[1]表示索引的是第1行（ index 是整数）
.loc主要是基于标签(label)的，包括行标签(index)和列标签(columns)，即行名称和列名称，可以使用df.loc[index_name,col_name]，选择指定位置的数据
- 使用单个标签
如果.loc[]中只有单个标签，那么选择的是某一行。 df.loc[1]选择的是 index 名为 ‘1’ 的一行，注意这里的’1’是index的名称，而不是序号
data = [[1,2,3],[4,5,6]]
index = [0,1]
columns=['a','b','c']
df = pd.DataFrame(data=data, index=index, columns=columns)
df
a b c
0 1 2 3
1 4 5 6
# 选取行号为 1 的 index
df.loc[1]
a 4
b 5
c 6
Name: 1, dtype: int64
- 使用标签的list：同样是只选择行
df.loc[[0,1]]
a b c
0 1 2 3
1 4 5 6
- 标签的切片对象：与通常的python切片不同，在最终选择的数据中包含切片的start 和 stop
df.loc['c':'f']
A B C D
c 0.546339 0.009044 0.774770 0.121425
d 0.517394 0.665752 0.762913 0.940879
e 0.123988 0.209996 0.365368 0.401288
f 0.590005 0.993915 0.611509 0.683021
- 布尔型的数组：通常用于筛选符合某些条件的行
df.loc[df.A > 0.7]
A B C D
a 0.899727 0.61540 0.970942 0.621620
b 0.936262 0.59904 0.139279 0.678375
A 属性大于 0.7 的所有 C 和 D 列
df.loc[df.A > 0.7,['C', 'D']]
C D
a 0.970942 0.621620
b 0.139279 0.678375
- 可调用的函数
df.loc[lambda df : df.A > 0.7]
A B C D
a 0.899727 0.61540 0.970942 0.621620
b 0.936262 0.59904 0.139279 0.678375
lambda表达式语法：
lambda 传入参数 ： 返回的计算表达式
loc扩展——索引某行某列
索引某行某列
data = [[1,2,3],[4,5,6]]
index = ['d','e']
columns=['a','b','c']
df = pd.DataFrame(data=data, index=index, columns=columns)
print(df)
'''
a b c
d 1 2 3
e 4 5 6
'''
print (df.loc['d',['b','c']])
'''
b 2
c 3
'''
索引某列
import pandas as pd
data = [[1,2,3],[4,5,6]]
index = ['d','e']
columns=['a','b','c']
df = pd.DataFrame(data=data, index=index, columns=columns)
print(df)
'''
a b c
d 1 2 3
e 4 5 6
'''
print (df.loc[:,['c']])
'''
c
d 3
e 6
'''
df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
index=['cobra', 'viper', 'sidewinder'],
columns=['max_speed', 'shield'])
print(df)
print(df.loc[['viper', 'sidewinder'],['max_speed', 'shield']])
'''
max_speed shield
cobra 1 2
viper 4 5
sidewinder 7 8
max_speed shield
viper 4 5
sidewinder 7 8
'''
iloc用法
iloc是基于位置的索引，利用元素在各个轴上的索引序号进行选择，序号超出范围会产生IndexError，切片时允许序号超过范围，用法包括：
- 使用整数：与
.loc相同，如果只使用一个维度，则对行选择，下标从0开始
# 选择第六行数据
df.iloc[5]
A 0.590005
B 0.993915
C 0.611509
D 0.683021
Name: f, dtype: float64
- 使用列表或数组，同样是对行选择
df.iloc[[1,3,4]]
A B C D
b 0.936262 0.599040 0.139279 0.678375
d 0.517394 0.665752 0.762913 0.940879
e 0.123988 0.209996 0.365368 0.401288
- 元素为整数的切片对象：与
.loc不同的是，这里下标为stop的数据不被选择
df.iloc[0:3]
A B C D
a 0.899727 0.615400 0.970942 0.621620
b 0.936262 0.599040 0.139279 0.678375
c 0.546339 0.009044 0.774770 0.121425
也可以对列进行切片：
df.iloc[0:3,1:3]
B C
a 0.615400 0.970942
b 0.599040 0.139279
c 0.009044 0.774770
import pandas as pd
data = [[1,2,3],[4,5,6]]
index = ['d','e']
columns=['a','b','c']
df = pd.DataFrame(data=data, index=index, columns=columns)
print(df)
'''
a b c
d 1 2 3
e 4 5 6
'''
print (df.iloc[:,[1]])
'''
b
d 2
e 5
'''
- 使用布尔数组进行筛选： 注意这里可以使用 list 或者 array，使用 Series 的话会出错，NotImplementedError或者ValueError，前者是Series的index与待切片DataFrame的index不同时，后者是index相同时报的错，可以自己实现体会一下。与.loc使用布尔数组，可以使用list， array，也可以使用Series，使用Series时index需要一致，否则会报IndexingError
df.iloc[np.array(df.A > 0.6)]
A B C D
a 0.899727 0.61540 0.970942 0.621620
b 0.936262 0.59904 0.139279 0.678375
- 使用可调用函数
df.iloc[lambda df : [0,1]] # 选择前两行
A B C D
a 0.899727 0.61540 0.970942 0.621620
b 0.936262 0.59904 0.139279 0.678375
ix——结合前两种的混合索引
通过行号索引
df.ix[0]
A 0.899727
B 0.615400
C 0.970942
D 0.621620
Name: a, dtype: float64
通过行标签索引
df.ix['a']
A 0.899727
B 0.615400
C 0.970942
D 0.621620
Name: a, dtype: float64
切片操作[]
[]操作只能输入一个维度，不能用逗号隔开输入两个维度：
- 使用列名：
.loc和iloc只输入一维时选取的是行，而[]选取的是列，并且必须使用列名
df[['A','B']]
A B
a 0.899727 0.615400
b 0.936262 0.599040
c 0.546339 0.009044
d 0.517394 0.665752
e 0.123988 0.209996
f 0.590005 0.993915
- 用布尔数组：bool 数组的 index 需要和 dataframe 的 index 一致，此时选取的是行
df[df.B > 0.6]
A B C D
a 0.899727 0.615400 0.970942 0.621620
d 0.517394 0.665752 0.762913 0.940879
f 0.590005 0.993915 0.611509 0.683021
.a、.iat与loc 、iloc类似，.a、loc 、只能通过标签获取值，.iat、iloc通过行号，列号获取值
df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]],
columns=['A', 'B', 'C'])
print(df)
'''
A B C
0 0 2 3
1 0 4 1
2 10 20 30
'''
print(df.at[2, 'B'])
#20
print(df.at[2, 2])
#ValueError: At based indexing on an non-integer index can only have non-integer indexers
print(df.get_value(2,'B'))
#20
print(df.get_value(2,2))
#只能根据标签索引
参考：