iloc函数_pandas做数据处理经常用的函数（一）

1、index 操作

• reset_index，重置DataFrame的索引，并使用默认索引。如果DataFrame有一个多索引，则此方法可以删除一个或多个级别。

import pandas as pd
import numpy as np
df = pd.DataFrame([('bird', 389.0),
                   ('bird', 24.0),
                   ('mammal', 80.5),
                   ('mammal', np.nan)],
                  index=['falcon', 'parrot', 'lion', 'monkey'],
                  columns=('class', 'max_speed'))
#重置索引时，会将旧索引添加为列，并使用新的顺序索引：
df.reset_index(

#我们可以使用drop参数来避免将旧索引添加为列
df.reset_index(drop=True)

• reindex，使用可选的填充逻辑设置DataFrame新索引

index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror']
df = pd.DataFrame({'http_status': [200, 200, 404, 404, 301],
                  'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]},
                  index=index)
df

# 将新的列表序列作为索引
new_index = ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10',
             'Chrome']
df.reindex(new_index)

• set_index，使用现有列设置DataFrame索引

df = pd.DataFrame({'month': [1, 4, 7, 10],
                   'year': [2012, 2014, 2013, 2014],
                   'sale': [55, 40, 84, 31]})
df

df.set_index('month') 

2、映射操作

• map，根据输入对应关系，输出Series映射值，该方法只能作用于Series

s = pd.Series(['cat', 'dog', np.nan, 'rabbit'])
s.map({'cat': 'kitten', 'dog': 'puppy'})

0 kitten
1 puppy
2 NaN
3 NaN
dtype: object

• apply用法与map差不多，但是其功能更加强大，Series、DataFrame都有此方法

df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
df

df.apply(np.sqrt)  

• applymap，将函数应用于数据框的每个元素

df = pd.DataFrame([[1, 2.12], [3.356, 4.567]])
df 

df.applymap(lambda x: len(str(x)))

3、索引

• iloc，主要是基于整数位置的(从轴的0到长度1)索引，但也可以与布尔数组一起使用。

mydict = [{'a': 1, 'b': 2, 'c': 3, 'd': 4},
          {'a': 100, 'b': 200, 'c': 300, 'd': 400},
          {'a': 1000, 'b': 2000, 'c': 3000, 'd': 4000 }]
df = pd.DataFrame(mydict)
df 

df.iloc[0, 1]
2
df.iloc[lambda x: x.index % 2 == 0]

• loc，主要基于标签的索引，但也可以与布尔数组一起使用

df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
     index=['cobra', 'viper', 'sidewinder'],
     columns=['max_speed', 'shield'])
df 

df.loc['cobra', 'shield']
2
df.loc[lambda df: df['shield'] == 8] 

4、迭代

• iterrows()，将DataFrame迭代为(insex, Series)

df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])
df

for index,col in df.iterrows():
    print(index)

0

#对于每一行可以通过列名访问对应的元素
for index,col in df.iterrows():
    print(col['int'],col['float'])

1.0 1.5

• iteritems()，将DataFrame迭代为(列名, Series)对

df = pd.DataFrame({'species': ['bear', 'bear', 'marsupial'],
                  'population': [1864, 22000, 80000]},
                  index=['panda', 'polar', 'koala'])
df

for label, content in df.iteritems():
    print(label)

species
population

for label, content in df.iteritems():
    print(content[0],content[1],content[2])

bear bear marsupial

1864 22000 80000

• itertuples()，将DataFrame迭代为元组

df = pd.DataFrame({'species': ['bear', 'bear', 'marsupial'],
                  'population': [1864, 22000, 80000]},
                  index=['panda', 'polar', 'koala'])
df

for row in df.itertuples(index=True):
    print(row)

Pandas(Index='panda', species='bear', population=1864)

Pandas(Index='polar', species='bear', population=22000)

Pandas(Index='koala', species='marsupial', population=80000)

for row in df.itertuples(index=True):
    print(row[0:3])

('panda', 'bear', 1864)
('polar', 'bear', 22000)
('koala', 'marsupial', 80000)

getattr(row, 'species')

'marsupial'本文参考：官方文档

pandas documentation​pandas.pydata.org