pandas DataFrame行列索引详解：loc、iloc与ix的使用指南
本文介绍pandas 0.23.4版本中DataFrame的行列索引方法。详细解析loc、iloc及已弃用的ix三种方式，涵盖单行/多行、单列/多列及行列同时索引的用法。通过Series与DataFrame返回类型的对比，结合代码示例说明切片范围的闭开区间差异，帮助开发者准确掌握数据筛选技巧。
- 运行环境基于Python 3.6版本。
- 使用的pandas库版本为0.23.4。
pandas DataFrame行索引方法
在DataFrame操作中，行索引是获取数据的基础方式。
实现行索引主要有三种方法：loc、iloc以及ix。
import pandas as pd
import numpy as np
index = ["a", "b", "c", "d"]
data = np.random.randint(10, size=(4, 3))
df = pd.DataFrame(data, index=index)
"""
0 1 2
a 9 7 1
b 0 0 7
c 2 6 5
d 8 2 5
"""
首先介绍loc方法。
loc方法依据行索引的名称来定位特定的行数据。
当使用loc进行单行索引时，返回的结果类型为Series对象。
df.loc["a"]
"""
0 9
1 7
2 1
Name: a, dtype: int64
"""
df.loc["b"]
"""
0 0
1 0
2 7
Name: b, dtype: int64
"""
若使用loc进行多行索引，返回的结果类型则升级为DataFrame对象。
df.loc[["a", "c"]]
"""
0 1 2
a 9 7 1
c 2 6 5
"""接下来介绍iloc方法。
iloc方法依据行索引的序号（位置）来确定目标行。
使用iloc进行单行索引时，返回的结果同样为Series对象。
df.iloc[0]
"""
0 9
1 7
2 1
Name: a, dtype: int64
"""
df.iloc[1]
"""
0 0
1 0
2 7
Name: b, dtype: int64
"""
使用iloc进行多行索引时，返回的结果为DataFrame对象。
df.iloc[[0, 2]]
"""
0 1 2
a 9 7 1
c 2 6 5
"""
最后提及ix方法，官方已不建议使用。
ix方法允许通过行索引名字或序号进行定位。需要注意的是，当行索引index的类型为整型时，ix会优先按行索引名字进行匹配；如果指定的名字不存在，则会抛出KeyError错误。
index = [2, 3, 4, 5]
df = pd.DataFrame(data, index=index)
"""
0 1 2
2 9 7 1
3 0 0 7
4 2 6 5
5 8 2 5
"""
df.ix[2]
"""
0 9
1 7
2 1
Name: 2, dtype: int64
"""
# 提示信息
"""
.ix is deprecated. Please use
.loc for label based indexing or
.iloc for positional indexing
"""
# 如果 index 为整数, 则不能按行索引号进行索引
df.ix[0]
"""
...
KeyError: 0
"""
pandas DataFrame列索引方法
除了行索引，列索引也是常用的数据获取方式。
列索引主要包含两种实现方式：通过.属性访问或通过[]方括号访问。
import pandas as pd
import numpy as np
columns = ["i", "ii", "iii"]
data = np.random.randint(10, size=(4, 3))
df = pd.DataFrame(data, columns=columns)
"""
i ii iii
0 4 5 9
1 0 3 4
2 7 9 1
3 8 2 3
"""利用.属性直接获取指定列时，返回的是Series对象。
df.i
"""
0 4
1 0
2 7
3 8
Name: i, dtype: int64
"""
[]
当使用[]进行单列索引时，返回的结果类型为DataFrame对象。
df[["i"]]
"""
i
0 4
1 0
2 7
3 8
"""
若使用[]进行多列索引，返回的结果也为DataFrame对象。
df[["i", "ii"]]
"""
i ii
0 4 5
1 0 3
2 7 9
3 8 2
"""
pandas DataFrame行列联合索引
在实际应用中，往往需要同时索引行和列。
可以通过指定具体的索引名或切片范围来实现行列联合索引。
index = ["a", "f", "c", "h"]
columns = ["i", "ii", "iii"]
df = pd.DataFrame(data, index=index, columns=columns)
"""
i ii iii
a 4 5 9
f 0 3 4
c 7 9 1
h 8 2 3
"""
首先看loc在行列联合索引中的应用。
通过指定行及列的索引名进行筛选，返回的结果类型为DataFrame对象。
df.loc[["a", "f"], ["ii", "iii"]]
"""
ii iii
a 5 9
f 3 4
"""
若指定行及列索引名的范围进行切片，结果包含边界值，返回DataFrame对象。
df.loc["a":"c", "ii":"iii"]
"""
ii iii
a 5 9
f 3 4
c 9 1
"""
接着看iloc在行列联合索引中的应用。
通过指定行及列的索引号进行筛选，返回DataFrame对象。
df.iloc[[0, 1], [1, 2]]
"""
ii iii
a 5 9
f 3 4
"""若指定行及列索引号的范围进行切片，结果为左闭右开区间，返回DataFrame对象。
df.iloc[:3, 1:3]
"""
ii iii
a 5 9
f 3 4
c 9 1
"""
ix方法同样支持行列联合索引，但因其行为复杂，官方已不建议使用。
ix可通过指定行及列的索引号范围或名字范围进行切片，返回DataFrame对象。
df.ix["a":"c", "i":"iii"]
df.ix["a":"c", 1:3]
df.ix[:3, 1:3]需要特别注意：只有使用iloc或ix按索引号进行切片时，区间才表现为左闭右开；其他所有情况均为全闭区间。
以上内容涵盖了pandas DataFrame索引的核心要点，希望能为学习过程提供帮助。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
