第二次打卡笔记

导入数据

import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv',index_col='ID')
df.head()

一、单级索引

1、loc方法(位置索引)、iloc方法(标签索引)、[ ]操作符

(a)lcc方法

①单行索引

df.loc[1103]

②单列索引

df.loc[:,'Height'].head()

③联合索引

df.loc[1102:2401:3,'Height':'Math'].head()

④函数式索引：

df.loc[lambda x:x['Gender']=='M'].head()

(loc中使用的函数，传入参数就是前面的df)

⑤布尔索引

df.loc[df['Address'].isin(['street_7','street_4'])].head()

(loc中能传入的只有布尔列表和索引子集构成的列表)

(b)iloc方法(切片右端点不包含)

① 单行索引

df.iloc[3]

②单列索引

df.iloc[:,3].head()

③混合索引

df.iloc[3::4,7::-2].head()

④函数式索引

df.iloc[lambda x:[3]].head()

(iloc中接收的参数只能为整数或整数列表，不能使用布尔索引)

©[ ]操作符

(Series中的浮点[ ]进行值比较，而不是位置比较)

(1)Series的[ ]操作

①单元素索引：

s = pd.Series(df['Math'],index=df.index)
s[1101]

运行结果：34.0

② 多行索引:

s[0:4]
#使用的是绝对位置的整数切片，与元素无关，这里容易混淆

③ 函数式索引:

s[lambda x: x.index[16::-6]]

④ 布尔索引:

s[s>80]

(2)DataFrame的[ ]操作

① 单行索引:

df[1:2]

②单列索引:

df['School'].head()

③ 多列索引：

df[['School','Math']].head()

④函数式索引:

df[lambda x:['Math','Physics']].head()

⑤布尔索引：

df[df['Gender']=='F'].head()

([ ]操作常用于列选择或布尔选择，尽量避免行的选择)