pandas .at详解|极客教程

pandas .at详解

在使用Pandas进行数据处理时，经常会使用到.at属性。.at是Pandas提供的一种用于快速访问DataFrame中单个元素的方法。在本文中，我们将详细介绍.at的用法和功能，并通过多个示例代码来说明其实际应用。

1. `.at`的基本用法

.at属性允许我们通过行标签和列标签来访问DataFrame中的单个元素。其基本语法为：dataframe.at[row_label, column_label]。下面我们通过一个示例代码来演示其基本用法：

import pandas as pd

# 创建一个示例DataFrame
data = {'A': [1, 2, 3],
        'B': [4, 5, 6],
        'C': [7, 8, 9]}
df = pd.DataFrame(data, index=['X', 'Y', 'Z'])

# 使用.at访问元素
element = df.at['Y', 'B']

print(element)

运行上述代码，将输出DataFrame中索引为’Y’的行和’B’列交叉处的元素值，结果为：

2. 使用示例

2.1 根据条件更新元素值

我们可以利用.at属性根据条件来更新DataFrame中的元素值。下面的示例代码演示了如何将所有小于5的元素值更新为100：

# 更新元素值示例代码
for i in df.index:
    for j in df.columns:
        if df.at[i, j] < 5:
            df.at[i, j] = 100

print(df)

运行上述代码，将打印更新后的DataFrame，结果如下：

     A    B  C
X  100  100  7
Y  100    5  8
Z  100    6  9

2.2 批量访问元素

除了单个元素访问外，我们还可以批量访问DataFrame中的多个元素。下面的示例代码演示了如何一次性访问多个元素：

# 批量访问元素示例代码
elements = df.at[['X', 'Z'], ['A', 'C']]

print(elements)

运行上述代码，将输出选定行和列中的元素值，结果如下：

      A  C
X  100  7
Z  100  9

3. `.at`的性能优势

相比使用[]操作符访问DataFrame中的元素，.at属性在性能上有明显优势。这是因为.at是使用行和列标签来访问数据，而[]是基于位置来访问数据。因此，在需要精确访问某个元素时，推荐使用.at而不是[]。下面的示例代码演示了性能对比：

import time

# 性能对比示例代码
start_time = time.time()
for _ in range(1000):
    value = df.at['Y', 'B']
end_time = time.time()
print(f'.at的平均运行时间：{end_time - start_time} 秒')

start_time = time.time()
for _ in range(1000):
    value = df.loc['Y', 'B']
end_time = time.time()
print(f'[]的平均运行时间：{end_time - start_time} 秒')

运行上述代码，将输出.at和[]的平均运行时间对比结果。