Python数据分析数据可视化--看一眼就能学会的的Pandas数据结构DataFrame（下）索引

昨天事情实在是太多啦，忙完之后都十一点钟了，所以就没有继续更新了，没关系，今天早上只有一节课，抽时间把昨晚的补上哈哈O(∩_∩)O哈哈~
今天呢继续写一下Pandas数据结构里面的Dataframe，上一篇博客介绍了基本概念和创建方法，这篇呢写一下它的索引。Dataframe 是一个二维数组，所以既有行索引也有列索引，我们来看一下怎样选择行与列

df = pd.DataFrame(np.random.rand(12).reshape(3,4)*100,
                   index = ['one','two','three'],
                   columns = ['a','b','c','d'])#创建Dataframe
print(df)#输出Dataframe
data1 = df['a']#选择a列
data2 = df[['a','c']]#选择a、c列
print(data1,type(data1))#输出数据
print(data2,type(data2))#输出数据

输出结果：

可以看出选择列是非常简单的，直接选择列名即可，选择行呢也是一样的道理啦

data3 = df.loc['one']
data4 = df.loc[['one','two']]
print(data2,type(data3))
print(data3,type(data4))

输出结果：

下面呢我们再来分别看一下选择行和列的方法
首先来看选择列的方法，我们一般是用‘ df [ ] ’的方法来选择列，当然也可选择行，但是不是很常用

df = pd.DataFrame(np.random.rand(12).reshape(3,4)*100,
                   index = ['one','two','three'],
                   columns = ['a','b','c','d'])#创建Dataframe
print(df)#输出Dataframe

选择列

data1 = df['a']
data2 = df[['b','c']]  # 尝试输入 data2 = df[['b','c','e']]
print(data1)
print(data2)

输出结果：

选择单列输出结果为Series格式，选择多列，输出结果为Dataframe格式，选择列的时候’ df[ ] ',括号里面默认填写列名
再来看括号里面填写数字的时候会怎样

data3 = df[:1]
data4 = df[:2]
print(data3,type(data3))
print(data4,type(data4))

输出结果：

df [ ] 括号中为数字时，默认选择行，并且只能进行切片选择，不能单独选择（df[0]）

再来看选择行的方法—df.loc [ ] ，按index选择行

df1 = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
                   index = ['one','two','three','four'],
                   columns = ['a','b','c','d'])#创建Dataframe
df2 = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
                   columns = ['a','b','c','d'])#创建Dataframe
print(df1)#输出Datafrmae
print(df2)#输出Dataframe

输出结果：

单个标签索引

data1 = df1.loc['one']
data2 = df2.loc[1]
print(data1)
print(data2)

输出结果：

多个标签索引：

data3 = df1.loc[['two','three','five']]
data4 = df2.loc[[3,2,1]]
print(data3)
print(data4)

输出结果：

切片索引：

data5 = df1.loc['one':'three']
data6 = df2.loc[1:3]
print(data5)
print(data6)

输出结果：

要注意做切片索引的时候末端包含

核心内容是 df.loc[label] 主要针对index选择行，同时支持指定index，及默认数字index

再来看一下 df.iloc[ ] 按照整数位置（从轴的0到length-1）选择行的方法，其实它类似list的索引，其顺序就是dataframe的整数位置，从0开始计

df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
                   index = ['one','two','three','four'],
                   columns = ['a','b','c','d'])#创建Dataframe
print(df)

单位置索引：

print(df.iloc[0])
print(df.iloc[-1])

输出结果：

多位置索引：

print(df.iloc[[0,2]])
print(df.iloc[[3,2,1]])

输出结果：

切片索引：

print(df.iloc[1:3])
print(df.iloc[::2])

输出结果：

这里要注意 iloc [ ] 做切片索引的时候末端不包含

再来看做数据分析非常重要的布尔型索引

df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
                   index = ['one','two','three','four'],
                   columns = ['a','b','c','d'])#创建Dataframe
print(df)#输出Dataframe

输出结果：

判断数据中每个值

b1 = df < 20
print(b1,type(b1))
print(df[b1])  # 也可以书写为 df[df < 20]

当然了也可以对单列数据的值做判断

b2 = df['a'] > 50
print(b2,type(b2))
print(df[b2])  # 也可以书写为 df[df['a'] > 50]

输出结果：

对多列做判断

b3 = df[['a','b']] > 50
print(b3,type(b3))
print(df[b3])  # 也可以书写为 df[df[['a','b']] > 50]

输出结果：

对多行做判断

b4 = df.loc[['one','three']] < 50
print(b4,type(b4))
print(df[b4])  # 也可以书写为 df[df.loc[['one','three']] < 50]

输出结果：

再来看一下多重索引，比如同时索引行和列，可以先选择列再选择行，相当于对一个数据，先筛选字段，再选择数据

df = pd.DataFrame(np.random.rand(16).reshape(4,4)*100,
                   index = ['one','two','three','four'],
                   columns = ['a','b','c','d'])#创建Dataframe
print(df)#输出数据

输出结果：

多重索引：

print(df['a'].loc[['one','three']])   # 选择a列的one，three行
print(df[['b','c','d']].iloc[::2])   # 选择b，c，d列的one，three行
print(df[df['a'] < 50].iloc[:2])   # 选择满足判断索引的前两行数据

输出结果：

好啦，就先到这里啦~