最新Python大数据之pandas快速入门(二)_python提取指定行内容，大数据开发插件化入门指南

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

示例4：获取行标签为 1957 行的所有列的数据
示例5：获取行标签为 1957 行的 lifeExp 列的数据

**示例实现**：


1）示例1：获取行标签为 1952, 1962, 1972 行的 country、pop、gdpPercap 列的数据

示例1：获取行标签为 1952, 1962, 1972 行的 country、pop、gdpPercap 列的数据

china_df.loc[[1952, 1962, 1972], [‘country’, ‘pop’, ‘gdpPercap’]]

![img](https://img-blog.csdnimg.cn/img_convert/63932fd17e7ed429305ea05111c83417.png)


2）示例2：获取行标签为 1952, 1962, 1972 行的所有列的数据

示例2：获取行标签为 1952, 1962, 1972 行的所有列的数据

china_df.loc[[1952, 1962, 1972]]

![img](https://img-blog.csdnimg.cn/img_convert/7940aeb3bd858d36054df8e22901dc84.png)


3）示例3：获取所有行的 country、pop、gdpPercap 列的数据

示例3：获取所有行的 country、pop、gdpPercap 列的数据

china_df.loc[:, [‘country’, ‘pop’, ‘gdpPercap’]]

![img](https://img-blog.csdnimg.cn/img_convert/562fffb73af941ddf69c93e541aa6e48.png)


4）示例4：获取行标签为 1957 行的所有列的数据

示例4：获取行标签为 1957 行的所有列的数据

china_df.loc[1957]

![img](https://img-blog.csdnimg.cn/img_convert/5780fd8376978197dccc4618b7f19c08.png)

示例4：获取行标签为 1957 行的所有列的数据

china_df.loc[[1957]]

![img](https://img-blog.csdnimg.cn/img_convert/f4a1eac167c652fe715632f0d5ff50fd.png)


5）示例5：获取行标签为 1957 行的 lifeExp 列的数据

示例5：获取行标签为 1957 行的 lifeExp 列的数据

china_df.loc[[1957], ‘lifeExp’]
或
china_df.loc[1957, [‘lifeExp’]]
或
china_df.loc[1957, ‘lifeExp’]

![img](https://img-blog.csdnimg.cn/img_convert/b0a73f49958aced79e7bbe00937dcae6.png)


#### 4.2 iloc函数获取指定行列的数据


**基本格式**：




| 语法 | 说明 |
| --- | --- |
| `df.iloc[[行位置1, ...], [列位置1, ...]]` | 根据行位置和列位置获取对应行的对应 列的数据，结果为：DataFrame |
| `df.iloc[[行位置1, ...]]` | 根据行位置获取对应行的所有列的数据 结果为：DataFrame |
| `df.iloc[:, [列位置1, ...]]` | 根据列位置获取所有行的对应列的数据 结果为：DataFrame |
| `df.iloc[行位置]` | 结果只有一行，结果为：Series |
| `df.iloc[[行位置]]` | 结果只有一行，结果为：DataFrame |
| `df.iloc[[行位置], 列位置]` | 结果只有一行一列，结果为：Series， 行标签作为 Series 的索引标签 |
| `df.iloc[行位置, [行位置]]` | 结果只有一行一列，结果为：Series， 列标签作为 Series 的索引标签 |
| `df.iloc[行位置, 行位置]` | 结果只有一行一列，结果为单个值 |


**演示示例**：

示例1：获取行位置为 0, 2, 4 行的 0、1、2 列的数据
示例2：获取行位置为 0, 2, 4 行的所有列的数据
示例3：获取所有行的列位置为 0、1、2 列的数据
示例4：获取行位置为 1 行的所有列的数据
示例5：获取行位置为 1 行的列位置为 2 列的数据

**示例实现**：


1）示例1：获取行位置为 0, 2, 4 行的 0、1、2 列的数据

示例1：获取行位置为 0, 2, 4 行的 0、1、2 列的数据

china_df.iloc[[0, 2, 4], [0, 1, 2]]

![img](https://img-blog.csdnimg.cn/img_convert/918b1316fac61cdef37518e76d25c92b.png)


2）示例2：获取行位置为 0, 2, 4 行的所有列的数据

示例2：获取行位置为 0, 2, 4 行的所有列的数据

china_df.iloc[[0, 2, 4]]

![img](https://img-blog.csdnimg.cn/img_convert/990bf6a6ade3a3a800cdfcd3f71d1d14.png)


3）示例3：获取所有行的列位置为 0、1、2 列的数据

示例3：获取所有行的列位置为 0、1、2 列的数据

china_df.iloc[:, [0, 1, 2]]

![img](https://img-blog.csdnimg.cn/img_convert/a8a94d64c113ca5e8ad1ec36560400fe.png)


4）示例4：获取行位置为 1 行的所有列的数据

示例4：获取行位置为 1 行的所有列的数据

china_df.iloc[1]

![img](https://img-blog.csdnimg.cn/img_convert/772a3196c5029b7d7514c62111f8578d.png)

示例4：获取行位置为 1 行的所有列的数据

china_df.iloc[[1]]

![img](https://img-blog.csdnimg.cn/img_convert/7a048d42c1ca3927f427e60b744d573a.png)


5）示例5：获取行位置为 1 行的列位置为 2 列的数据

示例5：获取行位置为 1 行的列位置为 2 列的数据

china_df.iloc[[1], 2]
或
china_df.iloc[1, [2]]
或
china_df.iloc[1, 2]

![img](https://img-blog.csdnimg.cn/img_convert/e47b49bdf67b343591d36a6af25d1fb2.png)


#### 4.3 loc和iloc的切片操作


**基本格式**：




| 语法 | 说明 |
| --- | --- |
| `df.loc[起始行标签:结束行标签, 起始列标签:结束列标签]` | 根据行列标签范围获对应行的对应列的数据，包含起始行列标签和结束行列标签 |
| `df.iloc[起始行位置:结束行位置, 起始列位置:结束列位置]` | 根据行列标签位置获对应行的对应列的数据，包含起始行列位置，但不包含结束行列位置 |


**演示示例**：

示例1：获取 china_df 中前三行的前三列的数据，分别使用上面介绍的loc和iloc实现

![img](https://img-blog.csdnimg.cn/img_convert/5a1cef934c4392b6b6fbbcc5a5e3ca5c.png)


**示例实现**：


1）示例1：获取 china\_df 中前三行的前三列的数据，分别使用上面介绍的loc和iloc实现

示例1：获取 china_df 中前三行的前三列的数据，分别使用上面介绍的loc和iloc实现

china_df.loc[1952:1962, ‘country’:‘lifeExp’]
或
china_df.iloc[0:3, 0:3]

![img](https://img-blog.csdnimg.cn/img_convert/0f2af834b62ef29de8240e7b99739b10.png)


#### 4.4 [] 语法获取指定行列的数据


**基本格式**：




| 语法 | 说明 |
| --- | --- |
| `df[['列标签1', '列标签2', ...]]` | 根据列标签获取所有行的对应列的数据，结果为：DataFrame |
| `df['列标签']` | 根据列标签获取所有行的对应列的数据 1）如果结果只有一列，结果为：Series， 行标签作为 Series 的索引标签 2）如果结果有多列，结果为：DataFrame |
| `df[['列标签']]` | 根据列标签获取所有行的对应列的数据，结果为：DataFrame |
| `df[起始行位置:结束行位置]` | 根据指定范围获取对应行的所有列的数据，不包括结束行位置 |


**演示示例**：

示例1：获取所有行的 country、pop、gdpPercap 列的数据
示例2：获取所有行的 pop 列的数据
示例3：获取前三行的数据
示例4：从第一行开始，每隔一行获取一行数据，一共获取3行

**示例实现**：


1）示例1：获取所有行的 country、pop、gdpPercap 列的数据

示例1：获取所有行的 country、pop、gdpPercap 列的数据

china_df[[‘country’, ‘pop’, ‘gdpPercap’]]

![img](https://img-blog.csdnimg.cn/img_convert/24ad32a1ca95c7e3bf49cfcd26e7e7d7.png)


2）示例2：获取所有行的 pop 列的数据

示例2：获取所有行的 pop 列的数据

china_df[‘pop’]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

[外链图片转存中…(img-2jGztbIh-1715497666780)]
[外链图片转存中…(img-5WhCNQ2t-1715497666781)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取