pandas 數(shù)據(jù)索引與選取的實現(xiàn)方法
我們對 DataFrame 進行選擇，大抵從這三個層次考慮：行列、區(qū)域、單元格。
其對應使用的方法如下：
一. 行，列 --> df[]
二. 區(qū)域 --> df.loc[], df.iloc[], df.ix[]
三. 單元格 --> df.at[], df.iat[]
下面開始練習：
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
1. df[]:
一維
行維度：
整數(shù)切片、標簽切片、<布爾數(shù)組>
列維度：
標簽索引、標簽列表、Callable
df[:3] df['a':'c'] df[[True,True,True,False,False,False]] # 前三行（布爾數(shù)組長度等于行數(shù)） 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
2. df.loc[]
二維，先行后列
行維度：
標簽索引、標簽切片、標簽列表、<布爾數(shù)組>、Callable
列維度：
標簽索引、標簽切片、標簽列表、<布爾數(shù)組>、Callable
df.loc['a', :] df.loc['a':'d', :] df.loc[['a','b','c'], :] df.loc[[True,True,True,False,False,False], :] # 前三行（布爾數(shù)組長度等于行數(shù)） 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（布爾數(shù)組長度等于行數(shù)） 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]
3. df.iloc[]
二維，先行后列
行維度：
整數(shù)索引、整數(shù)切片、整數(shù)列表、<布爾數(shù)組>
列維度：
整數(shù)索引、整數(shù)切片、整數(shù)列表、<布爾數(shù)組>、Callable
df.iloc[3, :] df.iloc[:3, :] df.iloc[[0,2,4], :] df.iloc[[True,True,True,False,False,False], :] # 前三行（布爾數(shù)組長度等于行數(shù)） df.iloc[df['A']>0, :] #× 為什么不行呢？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（布爾數(shù)組長度等于行數(shù)） df.iloc[:, df.loc['a']>0] #× df.iloc[:, df.iloc[0]>0] #× df.iloc[:, lambda _df: [0, 1]]
4. df.ix[]
二維，先行后列
行維度：
整數(shù)索引、整數(shù)切片、整數(shù)列表、
標簽索引、標簽切片、標簽列表、
<布爾數(shù)組>、
Callable
列維度：
整數(shù)索引、整數(shù)切片、整數(shù)列表、
標簽索引、標簽切片、標簽列表、
<布爾數(shù)組>、
Callable
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']]
5. df.at[]
精確定位單元格
行維度：
標簽索引
列維度：
標簽索引
df.at['a', 'A']
6. df.iat[]
精確定位單元格
行維度：
整數(shù)索引
列維度：
整數(shù)索引
df.iat[0, 0]
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關文章
一文詳解Python中實現(xiàn)單例模式的幾種常見方式
這篇文章主要為大家介紹了Python中實現(xiàn)單例模式的幾種常見方式示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-03-03
這篇文章主要介紹了matplotlib 向任意位置添加一個子圖(axes)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-04-04
下面小編就為大家?guī)硪黄獪\談Python 集合(set)類型的操作——并交差。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2016-06-06
今天小編就為大家分享一篇tensorflow模型保存、加載之變量重命名實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
Python中的np.random.seed()隨機數(shù)種子問題及解決方法
隨機數(shù)種子，相當于我給接下來需要生成的隨機數(shù)一個初值，按照我給的這個初值，按固定順序生成隨機數(shù)，接下來通過本文給大家介紹Python中的np.random.seed()隨機數(shù)種子問題,需要的朋友可以參考下2022-04-04
Python數(shù)據(jù)清洗之抽取jsonl文件數(shù)據(jù)字段并合并
這篇文章主要為大家詳細介紹了Python數(shù)據(jù)清洗之抽取jsonl文件數(shù)據(jù)字段并合并的相關知識,文中的示例代碼講解詳細,感興趣的小伙伴可以了解下2025-03-03
今天小編就為大家分享一篇Python讀寫docx文件的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05
這篇文章主要介紹了Python中的配對函數(shù)zip()解讀，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-11-11
Python+gensim實現(xiàn)文本相似度分析詳解
這篇文章主要介紹了Python+gensim實現(xiàn)文本相似度分析詳解,在開發(fā)中我們會遇到進行文本相似度分析的需求，計算文本相似度，用于鑒別文章是否存在抄襲,需要的朋友可以參考下2023-07-07
在本篇文章里小編給大家整理了關于Python3爬蟲關于識別點觸點選驗證碼的實例講解內容，需要的朋友們可以參考下。2020-07-07