iloc loc 区别
loc和iloc的区别,这两个有点容易混淆,因此需要特殊方式来加强记忆
总结:
loc使用范围比iloc更广更实用,loc可以使用切片、名称(index,columns)、也可以切片和名称混合使用;但是loc不能使用不存在的索引来充当切片取值,像-1
iloc只能用整数来取数
不借助loc和iloc
data=DataFrame(np.arange(16).reshape(4,4),index=list(“ABCD”),columns=list(“wxyz”))
print(data)
#可以直接取列索引,行索引却不行
aa=data[“w”]
bb=data[1:2] #行数值切片
cc=data[1:2,1:2] #不能同时切片,也就是中间不能有逗号
推荐使用loc
iloc: i可以看着int,因此iloc就是用数字(int)来取数据的.
iloc使用情况: 使用整数通过切片等方式取数
比如:
# 切片
# 下面两种方法有同样的效果; 表示取出df中1:5行(不包括5)和3:6列
1 df.iloc[1:5,3:6]
2 df.iloc[[1,2,3,4],[3,4,5]]
# 另外 df.iloc[0]、df.iloc[1]、df.iloc[-1] 分别表示第一行、第二行、最后一行
# 同理df.iloc[:,0]、df.iloc[:,1]、df.iloc[:,-1] 分别表示第一列、第二列、最后一列
loc的使用范围要远高于iloc, loc也能够做到iloc的切片取数, 除了df.loc[-1]
loc使用情况:
使用切片、索引、列名称查找
按条件(bool)查找
比如:
pandas中iloc、loc的用法和区别
时间:2020-03-17
本文章向大家介绍pandas中iloc、loc的用法和区别,主要包括pandas中iloc、loc的用法和区别使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。loc和iloc的区别,这两个有点容易混淆,因此需要特殊方式来加强记忆总结:1. loc使用范围比iloc更广更实用,loc可以使用切片、名称(index,columns)、也可以切片和名称混合使用;但是loc不能使用不存在的索引来充当切片取值,像-12. iloc只能用整数来取数推荐使用lociloc: i可以看着int,因此iloc就是用数字(int)来取数据的.
iloc使用情况: 使用整数通过切片等方式取数
比如:# 切片
# 下面两种方法有同样的效果; 表示取出df中1:5行(不包括5)和3:6列
1 df.iloc[1:5,3:6]
2 df.iloc[[1,2,3,4],[3,4,5]]
# 另外 df.iloc[0]、df.iloc[1]、df.iloc[-1] 分别表示第一行、第二行、最后一行
# 同理df.iloc[:,0]、df.iloc[:,1]、df.iloc[:,-1] 分别表示第一列、第二列、最后一列loc的使用范围要远高于iloc, loc也能够做到iloc的切片取数, 除了df.loc[-1]
loc使用情况:
使用切片、索引、列名称查找
按条件(bool)查找比如:1 # 切片
2 hy_data.loc[2:4,]
3 hy_data.loc[[0,1,2,3],:]
4 # 切片和名称混合
5 hy_data.loc[2:4,'用户编号']
6 # 按条件取数
7 # 表示取出df中“行业分类”列值的长度等于6的所有行
8 hy_data.loc[hy_data['行业分类'].str.len() == 6, :]
loc——通过行标签索引行数据
iloc——通过行号索引行数据
ix——通过行标签或者行号索引行数据(基于loc和iloc 的混合)
标签切片,如’a’:‘c’,与序列切片如0:2不同,后者不包含index=2的元素,前者包含结束标签’c’所在的行。
布尔类型数组作为标签,例如[True, False]等价于[‘a’,‘c’]
1.loc
import numpy as np
import pandas as pd
from pandas import *
from numpy import *data=DataFrame(np.arange(16).reshape(4,4),index=list("ABCD"),columns=list("wxyz"))
print(data)
# w x y z
#A 0 1 2 3
#B 4 5 6 7
#C 8 9 10 11
#D 12 13 14 15#loc
#行的选取
print(data.loc["A"])
print(type(data.loc["A"]))
#w 0
#x 1
#y 2
#z 3
#Name: A, dtype: int32
#<class 'pandas.core.series.Series'>print(data.loc[["A"]])
print(type(data.loc[["A"]]))
# w x y z
#A 0 1 2 3
#<class 'pandas.core.frame.DataFrame'>
#综上,[]返回Series,[[]]返回DataFrameprint(data.loc["A","w"])
print(type(data.loc["A","w"]))
#0
#<class 'numpy.int32'>print(data.loc[:,"w"])
print(type(data.loc[:,"w"]))
#A 0
#B 4
#C 8
#D 12
#Name: w, dtype: int32
#<class 'pandas.core.series.Series'>print(data.loc["A":"C"])
print(type(data.loc["A":"C"]))
# w x y z
#A 0 1 2 3
#B 4 5 6 7
#C 8 9 10 11
#<class 'pandas.core.frame.DataFrame'>print(data.loc["A":"C","w":"y"])
print(type(data.loc["A":"C","w":"y"]))
# w x y
#A 0 1 2
#B 4 5 6
#C 8 9 10
#<class 'pandas.core.frame.DataFrame'>print(data.loc[["A","C"],["w","y"]])
print(type(data.loc[["A","C"],["w","y"]]))
# w y
#A 0 2
#C 8 10
#<class 'pandas.core.frame.DataFrame'>print(data.loc[:,["w","y"]])
print(type(data.loc[:,["w","y"]]))
# w y
#A 0 2
#B 4 6
#C 8 10
#D 12 14
#<class 'pandas.core.frame.DataFrame'>#列的选取
print(data["w"])#等同于print(data.loc[:,"w"])
#A 0
#B 4
#C 8
#D 12
#Name: w, dtype: int32
print(data.loc[:,"w"])
#A 0
#B 4
#C 8
#D 12
#Name: w, dtype: int32
print(data["w"].equals(data.loc[:,"w"]))#True#根据特殊条件选取行列
print(data["w"]>5)
#A False
#B False
#C True
#D True
#Name: w, dtype: boolprint(data.loc[data["w"]>5])
# w x y z
#C 8 9 10 11
#D 12 13 14 15
print(data.loc[data["w"]>5,"w"])
print(type(data.loc[data["w"]>5,"w"]))
#C 8
#D 12
#Name: w, dtype: int32
#<class 'pandas.core.series.Series'>
print(data.loc[data["w"]>5,["w"]])
print(type(data.loc[data["w"]>5,["w"]]))
# w
#C 8
#D 12
#<class 'pandas.core.frame.DataFrame'>
print(data["w"]==0)
print(data.loc[lambda data:data["w"]==0])
print(type(data.loc[lambda data:data["w"]==0]))
#A True
#B False
#C False
#D False
#Name: w, dtype: bool
# w x y z
#A 0 1 2 3
#<class 'pandas.core.frame.DataFrame'>#loc赋值
print(data)
# w x y z
#A 0 1 2 3
#B 4 5 6 7
#C 8 9 10 11
#D 12 13 14 15
data.loc[["A","C"],["w","x"]]=999
print(data)
# w x y z
#A 999 999 2 3
#B 4 5 6 7
#C 999 999 10 11
#D 12 13 14 15
2.iloc
data=DataFrame(np.arange(16).reshape(4,4),index=list("ABCD"),columns=list("wxyz"))
print(data)
# w x y z
#A 0 1 2 3
#B 4 5 6 7
#C 8 9 10 11
#D 12 13 14 15print(data.iloc[0])
print(type(data.iloc[0]))
#w 0
#x 1
#y 2
#z 3
#Name: A, dtype: int32
#<class 'pandas.core.series.Series'>
#print(data.iloc["A"])报错#print(data.loc[0])报错
print(data.loc[["A"]])
print(type(data.loc["A"]))
# w x y z
#A 0 1 2 3
#<class 'pandas.core.series.Series'>
3.iloc和loc差别
iloc是按照行数取值,而loc按着index名取值
data=DataFrame(np.arange(16).reshape(4,4),index=list("1234"),columns=list("wxyz"))
print(data)
# w x y z
#1 0 1 2 3
#2 4 5 6 7
#3 8 9 10 11
#4 12 13 14 15
print(data.iloc[0])
#w 0
#x 1
#y 2
#z 3
#Name: 1, dtype: int32
#print(data.loc[0])报错
iloc loc 区别相关推荐
- Python:loc和iloc的区别
loc和iloc的区别 pandas以类似字典的方式来获取某一列的值,比如df['A'],这会得到df的A列.如果我们对某一行感兴趣呢?这个时候有两种方法,一种是iloc方法,另一种方法是loc方法. ...
- Python pandas 中loc函数的意思及用法,及跟iloc的区别
Python pandas 中loc函数的意思及用法,及跟iloc的区别 loc和iloc的意思 loc和iloc的区别及用法展示 参考文献 loc和iloc的意思 首先,loc是location的意 ...
- python loc iloc,Python pandas loc用法与iloc区别 聊聊Python pandas 中loc函数的使用,及跟iloc的区别说明...
想了解聊聊Python pandas 中loc函数的使用,及跟iloc的区别说明的相关内容吗,Rainpages在本文为您仔细讲解Python pandas loc用法与iloc区别的相关知识和一些C ...
- pandas 中loc和iloc的区别、用法
loc和iloc的意思: loc是location的意思,和iloc中i的意思是指integer,所以它只接受整数作为参数. 具体可见: loc: iloc: loc为Selection by Lab ...
- iloc, loc, at, iat的应用
在pandas的应用中,有多种切片的方法,针对标签和位置,有不同的应用. 直接取行或列, 借助loc, iloc, at, iat,其中loc,iloc既可以取多值,也可以取单一数值,而at,iat只 ...
- python iloc函数_python选取特定列 pandas iloc,loc,icol的使用详解(列切片及行切片)
df是一个dataframe,列名为A B C D 具体值如下: A B C D 0 ss 小红 8 1 aa 小明 d 4 f f 6 ak 小紫 7 dataframe里的属性是不定的,空值默认为 ...
- python中iloc的详细用法_python选取特定列 pandas iloc,loc,icol的使用详解(列切片及行切片)...
df是一个dataframe,列名为A B C D 具体值如下: A B C D 0 ss 小红 8 1 aa 小明 d 4 f f 6 ak 小紫 7 dataframe里的属性是不定的,空值默认为 ...
- Python学习.iloc和.loc区别、联系与用法
最近接触到数据科学,需要对一些数据表进行分析,观察到代码中一会出现loc一会又出现iloc,下面对两者的用法给出我的一些理解. 1.联系 (1)操作对象相同:loc和iloc都是对DataFrame类 ...
- loc与iloc的区别
使用pandas过程中,常用到切片操作,比如df.loc[],df.iloc[].这两个方法的细节或区别主要在两个点: loc[]方法针对显性的行列索引,iloc[]方法针对的是隐性的行列索引 imp ...
最新文章
- myeclispe快捷键一\(≧▽≦)/终于也收藏了
- 使用CAtlRegExp正则表达式检查浮点数输入
- 有一天我突然接到他的电话
- vue ---- 实现手机端(左滑 删除。右划 正常)
- 拓端tecdat|R语言高维数据惩罚回归方法:主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数据
- latex数学符号加粗_LaTex数学公式符号整理
- steam网络相关问题-社区错误代码118/无法自动登陆/短期内来自您网络的失败登录过多/无法连接至steam网络(2021/2/18更新)
- Java中frame和panel区别,JFrame 和JPanel 的关系-区别(学习笔记)
- excel冻结窗格参与排序_冻结窗格以在Excel中隐藏行
- Java练习——小游戏 模拟雷电
- 复制字符串中的元音字母
- java jframe 设置背景图片_为jframe窗口设置背景图片
- 开启 Kerberos 安全的大数据环境中,Yarn Container 启动失败导致作业失败
- Java输出4位数整数,输出这个数的千位,百位,十位,个位
- WIN10便签怎么样开启免打扰时间 如何设置休息日消息免打扰
- UE4 VR 重置摄像机朝向
- win7打开仅计算机黑屏,黑屏只剩鼠标指针,详解win7打开电脑黑屏只剩鼠标指针的解决教程...
- tcrt5000循迹模块
- 【批处理DOS-CMD命令-汇总和小结】-上网和网络通信相关命令(netsh)
- 【Redis核心知识 八】Redis集群之Cluster模式及集群搭建
热门文章
- 科学处理java.lang.StackOverflowError: null异常
- 2021-2027年中国市医疗电子场投资分析及前景预测报告
- 2022-2028年中国丝印硅胶行业市场深度分析及投资前景趋势报告
- 使用python建立简单的单链表
- 后端开发之libcurl库编译与安装
- 虚拟机网络连接方式linuxcentos
- pytorch的backward
- NLP.TM | GloVe模型及其Python实现
- 如何运行具有奇点的NGC深度学习容器
- 2021年大数据Flink(二十一):​​​​​​​案例三 会话窗口