pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]

1 引言 　　Pandas是作为Python数据分析著名的工具包，提供了多种数据选取的方法，方便实用。本文主要介绍Pandas的几种数据选取的方法。 　　Pandas中，数据主要保存为Dataframe和Series是数据结构，这两种数据结构数据选取的方式基本一致，本文主要以Dataframe为例进行介绍。 　　在Dataframe中选取数据大抵包括3中情况： 　　1）行（列）选取（单维度选取）：df[]。这种情况一次只能选取行或者列，即一次选取中，只能为行或者列设置筛选条件（只能为一个维度设置筛选条件）。 　　2）区域选取（多维选取）：df.loc[]，df.iloc[]，df.ix[]。 在Pandas库中，数据操作的核心是对DataFrame对象的处理，它提供了一系列高效且灵活的数据选取方法。本篇文章将深入探讨如何使用df[]、df.loc[], df.iloc[], df.ix[], df.at[], df.iat[]来选取DataFrame中的数据。 1. **行（列）选取**：通过df[]进行单维度选取 - **整数索引切片**：你可以用整数索引来选取DataFrame的行。例如，df[0:1]会选取第一行，而df[0:2]则选取前两行。值得注意的是，这里的切片遵循“左闭右开”的规则。 - **标签索引切片**：如果你的DataFrame有自定义的行索引（如上述例子中的labels），可以使用标签来选取行。例如，df[:'a']选取标签为'a'之前的所有行，而df['a':'b']则选取标签从'a'到'b'（包含'a'但不包含'b'）的行。 - **布尔数组选取**：你可以创建一个与DataFrame行数相等的布尔数组，用它来选取满足特定条件的行。例如，选取age大于30的行，可以写成df[df['age'] > 30]。 2. **区域选取**：通过df.loc[], df.iloc[], df.ix[]进行多维选取 - **df.loc[]**：基于标签的选取，允许你同时根据行和列的标签来选取数据。例如，df.loc['a':'c', 'age':'gender']选取标签在'a'到'c'之间行以及'age'到'gender'之间列的数据。 - **df.iloc[]**：基于位置的选取，用整数来选取数据。例如，df.iloc[0:2, 1:3]选取前两行（位置0和1）和第二、三列（位置1和2）的数据。 - **df.ix[]**：这是一个混合定位器，可以同时接受标签和位置，但在Pandas 0.20.0版本之后已弃用，推荐使用其他两个定位器。 3. **单元格选取**：通过df.at[]和df.iat[]进行精确的点选取 - **df.at[]**：根据标签选取单个单元格。例如，df.at['a', 'age']会返回行标签为'a'的行中'age'列的值。 - **df.iat[]**：根据位置选取单个单元格。例如，df.iat[0, 1]会返回第一行（位置0）第二列（位置1）的值。 在实际使用中，这些方法可以组合使用，构建复杂的数据选取逻辑。例如，如果想选取年龄大于30且性别为0的所有人的名字，可以这样操作： ```python selected = df[(df['age'] > 30) & (df['gender'] == 0)]['name'] ``` 了解并熟练掌握这些数据选取方法，能帮助你在数据分析时更加得心应手，高效地处理Pandas DataFrame中的数据。记得在实际操作中，要根据数据的特点和需求灵活选用不同的选取方式。