极客教程Pandas loc和iloc的详细介绍
在数据分析和数据处理中，pandas是Python编程语言中最受欢迎和最强大的库之一。pandas提供了大量的功能来进行数据操作，其中loc和iloc是进行数据选择和修改的两个非常重要的工具。本文将详细介绍loc和iloc的使用方法，并通过多个示例代码来展示它们的实际应用。
1. pandas DataFrame简介
在深入了解loc和iloc之前，我们首先需要理解pandas中的DataFrame。DataFrame是pandas中的一种数据结构，它是一个二维标签数据结构，可以想象成一个表格或者说是Excel中的一个工作表。DataFrame不仅可以存储不同类型的列，如整数、浮点数、字符串等，还支持复杂的操作，如合并、重塑、分组、排序等。
2. 使用loc进行标签选择
loc是基于标签的选择方法，意味着我们在使用loc时，需要提供行和列的标签信息来选择数据。
示例代码1：选择单个行
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc['pandasdataframe.com1']
print(result)
Output:
示例代码2：选择多个行
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc[['pandasdataframe.com1', 'pandasdataframe.com3']]
print(result)
Output:
示例代码3：选择行和列
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc['pandasdataframe.com2', 'Age']
print(result)
Output:
示例代码4：选择行和多个列
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc['pandasdataframe.com3', ['Name', 'Age']]
print(result)
Output:
示例代码5：条件选择
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc[df['Age'] > 30]
print(result)
Output:
3. 使用iloc进行位置选择
与loc不同，iloc是基于整数位置的选择方法，这意味着我们使用行和列的整数索引来选择数据。
示例代码6：选择单个行
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[0]
print(result)
Output:
示例代码7：选择多个行
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[[0, 2]]
print(result)
Output:
示例代码8：选择行和列
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[1, 1]
print(result)
Output:
示例代码9：选择行和多个列
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[2, [0, 1]]
print(result)
Output:
示例代码10：切片选择
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[0:2]
print(result)
Output:
4. loc和iloc的高级用法
在实际应用中，我们经常需要根据复杂的条件来选择数据。loc和iloc提供了强大的功能来支持这些操作。
示例代码11：使用切片和条件
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc['pandasdataframe.com1':'pandasdataframe.com3', df.columns[df.columns != 'Age']]
print(result)
Output:
示例代码12：使用iloc与布尔数组
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
bool_arr = [True, False, True]
result = df.iloc[bool_arr]
print(result)
Output:
示例代码13：修改数据值
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
df.loc['pandasdataframe.com1', 'Age'] = 26
print(df)
Output:
示例代码14：添加新列
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
df.loc[:, 'Gender'] = ['Female', 'Male', 'Male']
print(df)
Output:
示例代码15：删除行
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
df = df.drop('pandasdataframe.com1')
print(df)
Output:
示例代码16：使用iloc进行复杂的行列选择
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[1:3, 0:2]
print(result)
Output:
示例代码17：使用loc与函数结合
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc[df['Age'].apply(lambda x: x > 25)]
print(result)
Output:
示例代码18：使用iloc与步长
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
result = df.iloc[::2] # 选择间隔行
print(result)
Output:
示例代码19：使用loc进行多条件选择
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data, index=['pandasdataframe.com1', 'pandasdataframe.com2', 'pandasdataframe.com3'])
result = df.loc[(df['Age'] > 25) & (df['Name'].str.startswith('C'))]
print(result)
Output:
示例代码20：使用iloc来修改多行数据
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)
df.iloc[0:2, 1] = [26, 31] # 修改第0行和第1行的年龄
print(df)
Output:
6. 结论
在本文中，我们详细探讨了pandas中的loc和iloc函数。这两个函数是数据处理中非常重要的工具，它们提供了基于标签和基于位置的数据选择方法，使得数据操作变得更加灵活和高效。通过本文提供的示例代码，读者可以更好地理解这两个函数的使用场景和方法，从而在实际的数据处理工作中更加得心应手。