Pandas对象之间的基本迭代的行为取决于类型。当迭代一个系列时，它被视为数组式，基本迭代产生这些值。 其他数据结构，如：DataFrame和Panel，遵循类似惯例迭代对象的键。
简而言之，基本迭代(对于在对象中)产生：
Series- 值DataFrame- 列标签Pannel- 项目标签
In [2]:
import pandas as pd
import numpy as np
In [3]:
N=20
In [4]:
df = pd.DataFrame({
'A': pd.date_range(start='2016-01-01',periods=N,freq='D'),
'x': np.linspace(0,stop=N-1,num=N),
'y': np.random.rand(N),
'C': np.random.choice(['Low','Medium','High'],N).tolist(),
'D': np.random.normal(100, 10, size=(N)).tolist()
})
In [5]:
for col in df:
print (col)
A x y C D
要遍历数据帧(DataFrame)中的行，可以使用以下函数：
iteritems()- 迭代(key，value)对iterrows()- 将行迭代为(索引，系列)对itertuples()- 以namedtuples的形式迭代行
In [6]:
import pandas as pd
import numpy as np
In [7]:
df = pd.DataFrame(np.random.randn(4,3),columns=['col1','col2','col3'])
In [8]:
for key, value in df.items():
print(key, value)
col1 0 1.344333 1 0.675814 2 0.496682 3 -0.503439 Name: col1, dtype: float64 col2 0 1.315968 1 0.407340 2 -1.314517 3 0.620711 Name: col2, dtype: float64 col3 0 -0.738220 1 -0.373060 2 0.041827 3 -0.284040 Name: col3, dtype: float64
观察一下，单独迭代每个列作为系列中的键值对。
In [9]:
import pandas as pd
import numpy as np
In [10]:
df = pd.DataFrame(np.random.randn(4,3),columns = ['col1','col2','col3'])
for row_index,row in df.iterrows():
print (row_index,row)
0 col1 -0.591900 col2 0.498266 col3 0.311151 Name: 0, dtype: float64 1 col1 1.296318 col2 0.978575 col3 0.517688 Name: 1, dtype: float64 2 col1 -1.454297 col2 -1.556791 col3 0.968340 Name: 2, dtype: float64 3 col1 0.758466 col2 -0.378915 col3 -0.451890 Name: 3, dtype: float64
注意：由于 iterrows() 遍历行，因此不会跨该行保留数据类型。
0,1,2是行索引，col1，col2，col3是列索引。
In [11]:
import pandas as pd
import numpy as np
In [12]:
df = pd.DataFrame(np.random.randn(4,3),columns = ['col1','col2','col3'])
for row in df.itertuples():
print (row)
Pandas(Index=0, col1=-2.0176088872986186, col2=0.4453402367802406, col3=-0.5431692213174649) Pandas(Index=1, col1=-1.1991746340124771, col2=0.0027251656654925923, col3=0.9313616677315836) Pandas(Index=2, col1=0.17006208122568953, col2=1.163178002491223, col3=1.1764185747081626) Pandas(Index=3, col1=0.14031436844022693, col2=1.2314024564154749, col3=1.214890747171797)
注意：不要尝试在迭代时修改任何对象。迭代是用于读取， 迭代器返回原始对象(视图)的副本，因此更改将不会反映在原始对象上。
示例代码
In [13]:
import pandas as pd
import numpy as np
In [14]:
df = pd.DataFrame(np.random.randn(4,3),columns = ['col1','col2','col3'])
In [15]:
for index, row in df.iterrows():
row['a'] = 10
print (df)
col1 col2 col3 0 0.069544 1.615225 -0.549827 1 -1.112558 -0.041548 0.594353 2 1.747453 -0.359018 0.556195 3 0.177604 1.073691 -0.603909
注意观察结果，修改变化并未反映出来。