除了基于纯标签和整数之外，Pandas还提供了一种使用运算符进行选择和子集化对象的混合方法。
可以使用 loc() 函数或 iloc() 函数。
在旧版本中使用的是
ix，现在已经被弃用。
loc从索引中获取具有特定标签的行（或列）。这里的关键是：标签。标签的理解就是 名字 。iloc在索引中的特定位置获取行（或列）（因此它只接受整数）。这里的关键是：位置。位置的理解就是排第几个。
Python和NumPy索引运算符 [] 和属性运算符 . 。
可以在广泛的用例中快速轻松地访问Pandas数据结构。
然而，由于要访问的数据类型不是预先知道的，所以直接使用标准运算符具有一些优化限制。
对于生产环境的代码，建议利用以下介绍的 Pandas 数据访问方法。
Pandas提供了各种方法来完成基于标签的索引。 切片时，也包括起始边界。整数是有效的标签，但它们是指标签而不是位置。
.loc() 具有多种访问方式，如 ：
- 单个标量标签
- 标签列表
- 切片对象
- 一个布尔数组
loc() 需要两个单/列表/范围运算符，用 , 分隔。第一个表示行，第二个表示列。
In [2]:
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(8, 4),
index = ['a','b','c','d','e','f','g','h'],
columns = ['A', 'B', 'C', 'D'])
select all rows for a specific column：
In [3]:
df.loc[:,'A']
Out[3]:
a -1.095956 b -0.342142 c 1.074890 d -0.296400 e 0.366594 f 0.186325 g 0.832858 h -0.780242 Name: A, dtype: float64
Select all rows for multiple columns, say list []
In [4]:
print (df.loc[:,['A','C']])
A C a -1.095956 -1.091362 b -0.342142 -0.257535 c 1.074890 0.053983 d -0.296400 2.346721 e 0.366594 0.137136 f 0.186325 0.577329 g 0.832858 0.321383 h -0.780242 -1.012206
Select few rows for multiple columns, say list [] :
In [5]:
print (df.loc[['a','b','f','h'],['A','C']])
A C a -1.095956 -1.091362 b -0.342142 -0.257535 f 0.186325 0.577329 h -0.780242 -1.012206
Select all rows for multiple columns, say list []
In [6]:
print (df.loc[:,['A','C']])
A C a -1.095956 -1.091362 b -0.342142 -0.257535 c 1.074890 0.053983 d -0.296400 2.346721 e 0.366594 0.137136 f 0.186325 0.577329 g 0.832858 0.321383 h -0.780242 -1.012206
Select range of rows for all columns:
In [7]:
print (df.loc['a':'h'])
A B C D a -1.095956 0.056121 -1.091362 -1.671746 b -0.342142 0.078310 -0.257535 0.908193 c 1.074890 0.393743 0.053983 -0.085332 d -0.296400 0.822032 2.346721 0.106039 e 0.366594 0.821099 0.137136 0.954978 f 0.186325 -0.206341 0.577329 0.786019 g 0.832858 -0.590331 0.321383 -0.317095 h -0.780242 -0.486854 -1.012206 -2.788565
for getting values with a boolean array ：
In [8]:
print (df.loc['a']>0)
A False B True C False D False Name: a, dtype: bool
In [9]:
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(8, 4), columns = ['A', 'B', 'C', 'D'])
从特定列中选择所有行：
In [10]:
print (df.iloc[:4])
A B C D 0 -0.530828 0.083580 0.650759 -0.433312 1 -0.006477 -1.284928 1.775064 0.441437 2 1.014607 -0.725595 -0.243956 0.815095 3 -1.446522 -0.130972 0.541180 0.511666
进行切片：
In [11]:
df.iloc[:4]
Out[11]:
| A | B | C | D | |
|---|---|---|---|---|
| 0 | -0.530828 | 0.083580 | 0.650759 | -0.433312 |
| 1 | -0.006477 | -1.284928 | 1.775064 | 0.441437 |
| 2 | 1.014607 | -0.725595 | -0.243956 | 0.815095 |
| 3 | -1.446522 | -0.130972 | 0.541180 | 0.511666 |
In [12]:
df.iloc[1:5, 2:4]
Out[12]:
| C | D | |
|---|---|---|
| 1 | 1.775064 | 0.441437 |
| 2 | -0.243956 | 0.815095 |
| 3 | 0.541180 | 0.511666 |
| 4 | -0.262787 | 0.594519 |
使用列表进行切片：
In [13]:
print (df.iloc[[1, 3, 5], [1, 3]])
print (df.iloc[1:3, :])
print (df.iloc[:,1:3])
B D
1 -1.284928 0.441437
3 -0.130972 0.511666
5 0.143563 -0.709922
A B C D
1 -0.006477 -1.284928 1.775064 0.441437
2 1.014607 -0.725595 -0.243956 0.815095
B C
0 0.083580 0.650759
1 -1.284928 1.775064
2 -0.725595 -0.243956
3 -0.130972 0.541180
4 -0.347882 -0.262787
5 0.143563 0.525276
6 -0.743436 0.996078
7 -0.042807 0.925907
| 对象 | 索引 | 描述 |
|---|---|---|
| Series | s.loc[indexer] |
标量值 |
| DataFrame | df.loc[row_index,col_index] |
标量对象 |
| Panel | p.loc[item_index,major_index, minor_index] |
p.loc[item_index,major_index, minor_index] |
注意 ： .iloc() 和 .ix() 应用相同的索引选项和返回值。
现在来看看如何在DataFrame对象上执行每个操作。这里使用基本索引运算符[] -
In [14]:
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(8, 4), columns = ['A', 'B', 'C', 'D'])
print (df['A'])
0 0.442228 1 0.854063 2 0.737208 3 -0.536969 4 -1.459167 5 0.915912 6 1.324468 7 -0.305434 Name: A, dtype: float64
使用列表方式索引多个列：
In [15]:
print (df[['A','B']])
A B 0 0.442228 0.021379 1 0.854063 0.497131 2 0.737208 0.966723 3 -0.536969 -0.648542 4 -1.459167 1.168579 5 0.915912 -1.180683 6 1.324468 0.920717 7 -0.305434 -0.258048
使用 : 切片索引 ：
In [16]:
print (df[2:2])
Empty DataFrame Columns: [A, B, C, D] Index: []
示例如下 ：
In [17]:
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(8, 4), columns = ['A', 'B', 'C', 'D'])
print (df.A)
0 0.573290 1 2.159448 2 -0.170729 3 -1.504153 4 0.449406 5 0.560662 6 -1.312939 7 0.583914 Name: A, dtype: float64