Pandas---三种索引操作与loc/iloc区别

Dataframe 索引数据

原始数据：

data = pd.DataFrame(np.arange(12).reshape(4,3),columns=['A','B','C'])
	A	B	C
0	0	1	2
1	3	4	5
2	6	7	8
3	9	10	11

way1:普通标签

列索引：
data['A']	or 	data[['A','B']]
行索引：
data[:2]
可添加逻辑判断筛选
data = data[data['A']>2]
	A	B	C
1	3	4	5
2	6	7	8
3	9	10	11

way2：轴标签(loc)

data.loc[idx]			# 选择单行或多行（idx 为数值）
data.loc[ : , col]		# 选择所有行的col列
data.loc[idx , col]		# 同时选择行和列中的一部分
data.loc[:1,['B','A']]	# 前两行的'B','A'列
	B	A
0	1	0
1	4	3

way3：整数标签(iloc)

data.iloc[idx]			根据整数位置选择单行或多行，where只能为数值
data.iloc[ : , idx]		根据整数位置选择单列或多列
data.iloc[where_i, where_j]	根据整数位置选择行和列
data.iloc[:2,:2]
	A	B
0	0	1
1	3	4
data.iloc[:2,[2,0,1]]
	C	A	B
0	2	0	1
1	5	3	4

注：索引得到的仍为 Dataframe，还可以继续进行pandas操作

loc与iloc的区别

data = pd.DataFrame(np.arange(12).reshape(4,3),columns=['A','B','C'],
					index=np.random.randint(0,20,4))
	A	B	C
1	0	1	2
10	3	4	5
16	6	7	8
14	9	10	11

data.loc[idx] 和 data.iloc[idx] 都可以获取第idx行
data.loc[idx][['A', 'B']] 和 data.iloc[idx][['A', 'B']] 都可以获取第idx行的A，B列

但是！
1、	data.loc[idx，['A', 'B']]是允许的，data.iloc[idx, ['A', 'B']]则不行
2、	data.loc[1]['A'] 输出为 0， 为第一行
	data.iloc[1]['A'] 输出为 3， 为第二行
	原因：data.loc[idx]中的idx取的是DataFrame中第一列索引列
		 data.iloc[idx]中的idx取的则是DataFrame实际从上到下的行索引，0,1,2,3...

所以：
DataFrame在经过处理筛选后，若未重置索引，则使用data.loc[idx]会出现索引错误问题
而使用data.iloc[idx]则不会。