pandas.DataFrame索引之 loc与iloc用法

本文主要是介绍pandas.DataFrame索引之 loc与iloc用法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

$p a n d a s . D a t a F r a m e ()$ 的 $l o c$ 与 $i l o c$ 用法

$p a n d a s . D a t a F r a m e ()$ 实际上是一个二维矩阵， $l o c$ 与 $i l o c$ 方法都是用于从 $p a n d a s . D a t a F r a m e ()$ 中选取一些行，一些列，或者具体的某个位置的值，也可以间接的来改变 $D a t a F r a m e$ 里面的满足条件的行，列，或具体位置的值， $l o c$ 与 $i l o c$ 的区别就在于 $l o c$ 是 $Selection\ by\ Label$ (即通过标签索引)，而 $i l o c$ 是 $Selection\ by\ Position$ (即通过 $D a t a F r a m e$ 的下标索引， $D a t a F r a m e$ 行列下标都是 $0, 1, 2 . . .$ )

函数原型

$df.loc[row\_indexer,column\_indexer]$ ( $i l o c$ 也一样)

其中 $row\_indexer$ 与 $column\_indexer$ 分别指行和列的索引方法，下文要讲的就是各种各样的索引方法，每种方法即可作为 $row\_indexer$ 也可以作为 $column\_indexer$ ，所以可以自由组合（但是只能 $l o c$ 与 $l o c$ 的方法组合， $i l o c$ 与 $i l o c$ 的方法组合，不可交叉）,在不指定 $column\_indexer$ 的情况下默认全部选，但是如果不指定 $row\_indexer$ 的话需要这样写 $DataFrame.loc[:,column\_indexer]$
$p a n d a s . D a t a F r a m e . l o c$

$l o c$ 方法通过标签或者bool数组选取一些行和列，首先构造一个DataFrame，作为全文解析用的例子：
```
import pandas as pd
import numpy as np  #numpy后面要用到df=pd.DataFrame([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]],columns=['Chinease','Math','English','Politics'],index=['Bob','Cindy','Alice','QWQ'])
print(df)
```
也就是这样的一个DataFrame：

Chinease Math English Politics
Bob 1 2 3 4
Cindy 5 6 7 8
Alice 9 10 11 12
QWQ 13 14 15 16
$l o c$ 的几种使用方法如下所述：
- 通过单个标签选取一行或者一列，如 ‘Alice’
  如选取Alice这一行：
```
print(df.loc['Alice'])   #返回值类型为Series
```
  输出如图：
  
  当然也可以选取一列：
```
print(df.loc[:,'Math']) 
```
  输出如图：
  
  对应的修改某一行或者某一列的所有值的操作为：
```
df.loc['Bob']=10 #修改Bob这一行的所有值为10
df.loc[:,'English']=0 #修改English这一列的所有值为0
df.loc['Bob','English']=0 #修改Bob同学的English成绩为0
```
  剩下的方法对应的改值方法类似，故下面不再赘述
- 通过标签的一个列表或者一个array来选取一些行
  如选取Bob和Alice这两行
```
print(df.loc[['Bob','Alice']])  #返回值类型为DataFrame
```
  运行结果：
  
  也可以通过使用numpy.array来索引：
```
print(df.loc[np.array(['Bob','Alice'])])
```
  运行结果与上图一致
- 通过标签的一个切片 $(s l i c e)$ 来选取一些连续的行，这里需要注意两点，第一这里是标签的切片，比如 ‘Bob’:‘Alice’ 这样，第二就是这里的切片有一点不同于python里的普通切片：这里的切片包含上界
  比如选取从Bob到Alice之间的所有行：
```
print(df.loc['Bob':'Alice']) #返回值类型为DataFrame
```
  运行结果如图：
- 通过一个与轴等长的 $b o o l$ 数组选取一些行，这里的数组实际上可以是 $l i s t$ 或者 $n u m p y . a r r a y$ 或者是值类型为 $b o o l$ 的 $S e r i e s$
  比如选取 Bob, Alice, QWQ 这三行:
```
print(df.loc[[False,False,True,True]])  #list
print(df.loc[np.array([False,False,True,True])]) #numpy.array
print(df.loc[df['English']>8]) #语句df['English']>8返回的就是一个只为布尔类型的Series
```
  三种写法效果相同：
- 上述四种方法可以两两组合来同时索引行和列
  例如：
```
print(df.loc[df['English']>6,[True,False,True,True]]) #取English大于6的行与第0，2，3列的交集
```
  输出如下所示：
$p a n d a s . D a t a F r a m e . i l o c$

$i l o c$ 方法通过下标（即整数）访问一些行或者列，只是把 $l o c$ 方法中采用的标签索引改成下表访问了而已，方法与上述方法相同，故这里只给出一些例子，读者需要用的话可以自行运行测试
- 通过一个整数下标访问：
```
df.iloc[0] #返回df的第0行，返回值类型为Series
```
- 通过一个包含整数的 $l i s t$ 访问：
```
df.iloc[[0,2,3]] #返回df的第0，2，3行，返回值类型为DataFrame
```
- 通过一个切片访问，注意这里的切片和不同的切片一样，即不包含上界
```
df.iloc[1:3] #返回df的第1，2行，返回值类型为DataFrame
```
- 通过一个与轴等长的布尔数组访问
```
df.iloc[[True,False,True,True]] #返回df中第0，2，3行，返回值类型为DataFrame
```
- 上述四种方式可以两两组合来同时索引行和列
  例如：
```
print(df.iloc[0:3,[True,False,True,True]]) #选取第0，1，2行与0，2，3列的交集，返回值类型为DataFrame
```
参考
- 官方文档