Pandas中df.loc[]与df.iloc[]的用法与异同

目录

• 官网资料:
• 用 途：
• 输入参数注意：
• loc与iloc 实际用例:

官网资料:

loc  :https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html
iloc  : https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html

用 途：

• 取数: 从dataframe中取 一部分行与列的数据 (为主)
• 赋值: 给指定的 行与列赋值 df.loc[xx,xx] = xx

输入参数注意：

方括号内的参数:

• loc、iloc 方括号中,参数的排布模式为[行条件,列条件],当总体条件只有一个时候(最外层方括号内无逗号)，会按照：先行后列的方法来匹配对应的条件
• 默认会抛弃掉对应的dataframe格式，输出series，如果想保留dataframe格式，需要在条件外边加 ”[ ]”。

loc与iloc条件（行/列）相同之处：

• 单一元素(不包含list) str/int/slice 选取行时候，选取的是对应条件下的行 (series)
• 单一元素(不包含list) str/int/slice 选取列时候，选取的是对应条件下的列(series)
• 条件为list时候，选取的是一组对应的 行（列） 条件下的（dataframe数据）
• 布尔值的list/可与df对齐的series(布尔类型): 与index长度相同的话 选择对应值为True的行，与列数相同的话，选取对应值为True 的列。
• df的index的子集index2: 选取df中对应的index2的行
• 函数：输入为行/列series(外层有逗号)或者dataframe(外层无括号) 返回为对应输入的一个布尔值表，用来筛选对应的数据。

不同之处：

• 当对应的行/列标签为 int类型x时候，iloc表示对应的第x个 index或column，而loc 表示对应的index /column名称等于这个x。
• 对应的开闭区间不同  df.loc[1:5,1:5] 会有一个最多 5x5的df数据子集，而df.iloc[1:5,1:5] 会有最多4x4df数据子集，其中iloc的行/列切片不包含最后一个数（与range函数类似）

loc与iloc 实际用例:

df = pd.DataFrame([[1, 2,3,14], [4, 5,6,17], [7, 8,9,10],[11,12,13,14]],
     index=[2,3,4,5],
     columns=[2,4,5,6])
  
# loc 行/列条件是对应的标签值在对应的范围内，[闭合，闭合] 区间
df.loc[2:5,2:5]
#   输出为:
#    2    4    5
#2    1    2    3
#3    4    5    6
#4    7    8    9
#5    11    12    13
 
# 选取index 为 2 的行里面的值
# 不推荐：df.loc[2] 下文省略
df.loc[2,:]
# 输出为  1,2,3,14 series类型
 
# 选取index 为 2 的行 保留dataframe类型
df.loc[[2],:] 
 
#选取对应列名为 2 的列
df.loc[:,2] 
# 这里 index 与 列名都是int类型，因此loc方括号中使用int类型，如果是其他类型，对应的数字要改成其他类型的数据，不能再用数字
 
# iloc 行/列条件是对应的标签或者列名的索引值在范围内，[闭合，开放) 区间
df.iloc[2:5,2:5]
# 输出为 
#    5     6
#4     9     10
#5     13     14
 
# 这里 索引是以0开始的，所有行的切片应该写作 0:5  也可以写作“ ：”
# iloc 数字类型来做筛选的
 
# 不管是loc 还是 iloc 都建议用[行条件,列条件] 来写，其中如果无需筛选可以用:来占位，表意明确。
# loc 匹配的是 index/列名的值 与对应的条件
# iloc 匹配的是 index/列名对应的索引号 与对应的条件

 到此这篇关于Pandas中df.loc[]与df.iloc[]的用法与异同 的文章就介绍到这了,更多相关Pandas df.loc[]与df.iloc[]内容请搜索脚本之家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脚本之家！