pandas DataFrame 数据索引与选取全指南
本文系统讲解pandas中DataFrame数据选取的三种层次：行列、区域及单元格。详细解析df[]、df.loc[]、df.iloc[]、df.ix[]、df.at[]及df.iat[]的语法特性与适用场景，通过代码示例展示整数切片、标签索引、布尔数组及Callable对象的使用差异，帮助开发者精准掌握数据定位技巧。
pandas数据选取的三个层次
在使用pandas对DataFrame进行数据选择时，通常可以从三个维度来理解：行与列的整体选取、特定区域的选择以及单个单元格精确定位。
针对上述不同维度，pandas提供了对应的操作方法： 一. 针对行和列的整体操作：使用 df[] 二. 针对数据区域的选择：使用 df.loc[]、df.iloc[] 以及 df.ix[] 三. 针对单个单元格精确定位：使用 df.at[] 和 df.iat[]
接下来通过具体代码示例进行练习：
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
df[]基础索引用法
1. 使用 df[]：
一维索引操作 在行维度上： 支持整数切片、标签切片以及布尔数组过滤 在列维度上： 支持标签索引、标签列表以及Callable可调用对象
df[:3]
df['a':'c']
df[[True,True,True,False,False,False]] # 前三行（布尔数组长度等于行数）
df[df['A']>0] # A列值大于0的行
df[(df['A']>0) | (df['B']>0)] # A列值大于0，或者B列大于0的行
df[(df['A']>0) & (df['C']>0)] # A列值大于0，并且C列大于0的行
df['A']
df[['A','B']]
df[lambda df: df.columns[0]] # Callable
df.loc标签索引详解
2. 使用 df.loc[]
二维索引，遵循先行后列的顺序 在行维度上： 支持标签索引、标签切片、标签列表、布尔数组以及Callable可调用对象 在列维度上： 支持标签索引、标签切片、标签列表、布尔数组以及Callable可调用对象
df.loc['a', :]
df.loc['a':'d', :]
df.loc[['a','b','c'], :]
df.loc[[True,True,True,False,False,False], :] # 前三行（布尔数组长度等于行数）
df.loc[df['A']>0, :]
df.loc[df.loc[:,'A']>0, :]
df.loc[df.iloc[:,0]>0, :]
df.loc[lambda _df: _df.A > 0, :]
df.loc[:, 'A']
df.loc[:, 'A':'C']
df.loc[:, ['A','B','C']]
df.loc[:, [True,True,True,False]] # 前三列（布尔数组长度等于行数）
df.loc[:, df.loc['a']>0] # a行大于0的列
df.loc[:, df.iloc[0]>0] # 0行大于0的列
df.loc[:, lambda _df: ['A', 'B']]
df.A.loc[lambda s: s > 0]df.iloc整数索引详解
3. 使用 df.iloc[]
二维索引，遵循先行后列的顺序 在行维度上： 支持整数索引、整数切片、整数列表以及布尔数组 在列维度上： 支持整数索引、整数切片、整数列表以及布尔数组和Callable可调用对象
df.iloc[3, :]
df.iloc[:3, :]
df.iloc[[0,2,4], :]
df.iloc[[True,True,True,False,False,False], :] # 前三行（布尔数组长度等于行数）
df.iloc[df['A']>0, :] #× 为什么不行呢？想不通！
df.iloc[df.loc[:,'A']>0, :] #×
df.iloc[df.iloc[:,0]>0, :] #×
df.iloc[lambda _df: [0, 1], :]
df.iloc[:, 1]
df.iloc[:, 0:3]
df.iloc[:, [0,1,2]]
df.iloc[:, [True,True,True,False]] # 前三列（布尔数组长度等于行数）
df.iloc[:, df.loc['a']>0] #×
df.iloc[:, df.iloc[0]>0] #×
df.iloc[:, lambda _df: [0, 1]]
df.ix混合索引说明
4. 使用 df.ix[]
二维索引，遵循先行后列的顺序 在行维度上： 支持整数索引、整数切片、整数列表、 标签索引、标签切片、标签列表、 布尔数组以及 Callable可调用对象 在列维度上： 支持整数索引、整数切片、整数列表、 标签索引、标签切片、标签列表、 布尔数组以及 Callable可调用对象
df.ix[0, :]
df.ix[0:3, :]
df.ix[[0,1,2], :]
df.ix['a', :]
df.ix['a':'d', :]
df.ix[['a','b','c'], :]
df.ix[:, 0]
df.ix[:, 0:3]
df.ix[:, [0,1,2]]
df.ix[:, 'A']
df.ix[:, 'A':'C']
df.ix[:, ['A','B','C']]
df.at与df.iat单元格精确定位
5. 使用 df.at[]
用于精确定位单个单元格 在行维度上： 仅支持标签索引 在列维度上： 仅支持标签索引
df.at['a', 'A']6. 使用 df.iat[]
用于精确定位单个单元格
在行维度上： 仅支持整数索引 在列维度上： 仅支持整数索引
df.iat[0, 0]以上内容涵盖了pandas数据选取的核心方法，希望能为您的学习提供有益参考。如果您觉得内容有帮助，欢迎继续支持我们的网站。
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。
