pandas行和列的获取

最新推荐文章于 2024-06-12 12:44:38 发布
最新推荐文章于 2024-06-12 12:44:38 发布
阅读量6.4k 收藏 37
点赞数 8
分类专栏： Python 文章标签： python pandas 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46599926/article/details/122795057
版权

DataFrame的行和列：df[‘行’, ‘列’]

DataFrame行和列的获取分三个维度

  • 行和列选取：df[]，一次只能选取行或列
  • 区域选取：df.loc[], df.iloc[], df.ix[]，可以同时为行或列设置筛选条件
  • 单元格选取：df.at[], df.iat[]，准确选取某个单元格

先随机生成一个dataframe

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.randn(10,5), index=list('abcdefghij'), columns=list('ABCDE'))
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
c	-0.359802	-2.049489	-0.615742	-1.953994	0.685243
d	0.232557	1.768284	-0.447015	2.373358	1.220536
e	-0.997380	-0.447236	0.632368	-0.352590	-0.064736
f	-1.220178	-0.314304	1.202184	0.018326	1.072153
g	-1.508916	0.380466	0.359506	-0.742657	-0.373764
h	1.031420	-3.236676	0.444769	1.396802	-0.405590
i	0.166133	-0.051614	-0.146943	0.609431	-0.351814
j	1.857521	-0.159101	0.899745	1.108722	-0.615379

1. 行和列的获取

1.1 根据索引获取行

  • 获取前3行数据
df[:3]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
c	-0.359802	-2.049489	-0.615742	-1.953994	0.685243
  • 获取第2到3行数据
df[1:3] # 前闭后开
df['b':'c'] # # 前闭后闭
# Output
	   A	        B	       C	        D	        E
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
c	-0.359802	-2.049489	-0.615742	-1.953994	0.685243
  • 获取特定行数据
# 布尔数组 (数组长度需等于行数)
df[[True,False,True,False,False,False, True, True, False, True]]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
c	-0.359802	-2.049489	-0.615742	-1.953994	0.685243
g	-1.508916	0.380466	0.359506	-0.742657	-0.373764
h	1.031420	-3.236676	0.444769	1.396802	-0.405590
j	1.857521	-0.159101	0.899745	1.108722	-0.615379

1.2 根据条件获取行

  • 获取A列大于0的行
df[df.A > 0]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
d	0.232557	1.768284	-0.447015	2.373358	1.220536
h	1.031420	-3.236676	0.444769	1.396802	-0.405590
i	0.166133	-0.051614	-0.146943	0.609431	-0.351814
j	1.857521	-0.159101	0.899745	1.108722	-0.615379
  • 获取A列和B列大于0的行
df[(df.A > 0) & (df.B > 0)]
# Output
	   A	        B	       C	        D	        E
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
d	0.232557	1.768284	-0.447015	2.373358	1.220536
  • 获取A列或列大于0的行
df[(df.A > 0) | (df.B > 0)]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
d	0.232557	1.768284	-0.447015	2.373358	1.220536
g	-1.508916	0.380466	0.359506	-0.742657	-0.373764
h	1.031420	-3.236676	0.444769	1.396802	-0.405590
i	0.166133	-0.051614	-0.146943	0.609431	-0.351814
j	1.857521	-0.159101	0.899745	1.108722	-0.615379

1.3 获取列

# 获取A列
df['A'] # 输出为Series类型
df[['A']] # 输出为DataFrame类型

# 获取A列和B列
df[['A', 'B']]
df[df.columns[0:2]]

2. 区域选取

  • df.loc[] 只能使用标签索引，不能使用整数索引，通过便签索引切边进行筛选时，前闭后闭。
  • df.iloc[] 只能使用整数索引，不能使用标签索引，通过整数索引切边进行筛选时，前闭后开。
  • df.ix[]既可以使用标签索引，也可以使用整数索引。

2.1 df.loc[]

pandas.DataFrame.loc 官方文档

2.1.1 行选取

  • 获取a行
# 输出为Series类型
df.loc['a']
df.loc['a', :]
# Output
A    0.299206
B   -0.383297
C   -0.931467
D   -0.591609
E   -1.131105
Name: a, dtype: float64

# 输出为DataFrame类型
df.loc[['a']]
df.loc[['a'], :]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
  • 获取a, b, d行
# 使用标签索引
df.loc[['a', 'b', 'd']]
df.loc[['a', 'b', 'd'], :]
# 使用布尔数组
df[[True, True, False, True, False, False, False, True, False, True]]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
d	0.232557	1.768284	-0.447015	2.373358	1.220536
  • 获取a到d行
df.loc['a':'d', :]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
c	-0.359802	-2.049489	-0.615742	-1.953994	0.685243
d	0.232557	1.768284	-0.447015	2.373358	1.220536
  • 选取A列大于0的行
df.loc[df.A > 0]
df.loc[df.A > 0, :]
# Output
	   A	        B	       C	        D	        E
a	0.299206	-0.383297	-0.931467	-0.591609	-1.131105
b	0.074351	0.791849	1.637467	-1.408712	-1.376527
d	0.232557	1.768284	-0.447015	2.373358	1.220536
h	1.031420	-3.236676	0.444769	1.396802	-0.405590
i	0.166133	-0.051614	-0.146943	0.609431	-0.351814
j	1.857521	-0.159101	0.899745	1.108722	-0.615379

2.1.2 列选取

# 选取A列
df.loc[:, 'A']
# 选取A列和C列
df.loc[:, ['A', 'C']]
# 选取A列到C列
df.loc[:, 'A':'C']

2.1.3 同时选取行和列

# 选取c行B列的值
df.loc['c', 'B']
# 选取A列和B列同时大于0的C列和D列
df.loc[((df.A > 0) & (df.B > 0)), ['C', 'D']]

2.1.4 行和列的赋值

# 令a行为10
df.loc['a', :] = 10
# 令B列为50
df.loc[:, 'B'] = 50
# 令b, c行的C到F列为30
df.loc[['b', 'c'], 'C':'F'] = 30
# 令C列小于0的行赋值为0
df.loc[df.C < 0] = 0

2.1.5 多重索引

Example

tuples = [
   ('cobra', 'mark i'), ('cobra', 'mark ii'),
   ('sidewinder', 'mark i'), ('sidewinder', 'mark ii'),
   ('viper', 'mark ii'), ('viper', 'mark iii')
]
index = pd.MultiIndex.from_tuples(tuples)
values = [[12, 2], [0, 4], [10, 20],
        [1, 4], [7, 1], [16, 36]]

df = pd.DataFrame(values, columns=['max_speed', 'shield'], index=index)
# Output
df
                     max_speed  shield
cobra      mark i           12       2
           mark ii           0       4
sidewinder mark i           10      20
           mark ii           1       4
viper      mark ii           7       1
           mark iii         16      36

df.loc['cobra']
         max_speed  shield
mark i          12       2
mark ii          0       4

# return a Series
df.loc[('cobra', 'mark ii')] 
max_speed    0
shield       4
Name: (cobra, mark ii), dtype: int64

# return a dataframe
df.loc[[('cobra', 'mark ii')]]
               max_speed  shield
cobra mark ii          0       4

# return a Series
df.loc['cobra', 'mark i']
max_speed    12
shield        2
Name: (cobra, mark i), dtype: int64

df.loc[('cobra', 'mark i'), 'shield']
2

df.loc[('cobra', 'mark i'):'viper']
                     max_speed  shield
cobra      mark i           12       2
           mark ii           0       4
sidewinder mark i           10      20
           mark ii           1       4
viper      mark ii           7       1
           mark iii         16      36

df.loc[('cobra', 'mark i'):('viper', 'mark ii')]
                    max_speed  shield
cobra      mark i          12       2
           mark ii          0       4
sidewinder mark i          10      20
           mark ii          1       4
viper      mark ii          7       1

2.2 df.iloc[ ]

pandas.DataFrame.iloc 官方文档

2.2.1 行选取

  • 选取第二行
# return a Series
df.iloc[1]
df.iloc[1, :]
# return a dataframe
df.iloc[[1]]
df.iloc[[1], :]
  • 选取前三行
df.iloc[:3, :]
df.iloc[:3]
  • 选取第一、三、五行
df.iloc[[1, 3, 5]]
df.iloc[[1, 3, 5], :]

2.2.2 列选取

  • 选取第二列
df.iloc[:, 1]
  • 选取前三列
df.iloc[:, 0:3]
df.iloc[:,:3]
  • 选取第一三四列
df.iloc[:, [0, 2, 3]]

2.2.3 同时选取行和列

  • 选取第一行第二列的值
df.iloc[0, 1]
  • 选取第二三行的第二到四列
df.iloc[[1,2], 1:4]

2.3 df.ix[ ]

可以混合标签索引和整数索引

However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it’s usually better to be explicit and use .iloc or .loc.


3. 单元格选取

  • df.at[ ] 只能使用标签索引
  • df.iat[ ] 只能使用整数索引

3.1 df.at[]

pandas.DataFrame.at 官方文档

  • 获取c行C列的值
df.at['c', 'C']
  • 把c行C列赋值为10
df.at['c', 'C'] = 10

3.2 df.iat[]

pandas.DataFrame.iat 官方文档

  • 获取第三行第三列的值
df.iat[2, 2]
  • 把第三行第三列赋值为10
df.iat[2, 2] = 10
羊羊猪
关注
  • 8
    点赞
  • 踩
  • 37
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python提取前几行数据_使用实现pandas读取csv文件指定的前几行
weixin_39606177的博客
11-24 1970
下面为大家分享一篇使用实现pandas读取csv文件指定的前几行，具有很好的参考价值，希望对大家有所帮助。一起过来看看吧用于存储数据的csv文件有时候数据量是十分庞大的，然而我们有时候并不需要全部的数据，我们需要的可能仅仅是前面的几行。这样就可以通过pandas中read_csv中指定行数读取的功能实现。例如有data.csv文件，文件的内容如下：GreydeMac-mini:chapter06 ...
pandas 选择某几列的方法
09-20
今天小编就为大家分享一篇pandas 选择某几列的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python 中的 Pandas(数据分析与处理)
最新发布
m0_74995879的博客
06-12 1512
Pandas 是 Python 中最受欢迎的数据处理库之一，其名字源自于“Panel Data”（面板数据）的缩写。它提供了三种主要的数据结构：Series ， DataFrame ， Panel（在新版本已经被弃用） 使用列表或数组创建Series：可以通过传递Python列表或NumPy数组来创建Series 使用字典创建Series：字典的键将成为Series的索引 2，索引 3，基本属性 values 返回Series的数据部分（一个NumPy数组）
pandas选择某几行的某几列
weixin_44936542的博客
04-18 2万+
如图是一个16*34的欧洲杯足球杯数据 红色部分表示想查询这几个国家的某几列数据，代码如下： import pandas as pd data = data.loc[[‘Denmark’,‘France’,‘Poland’]] data[[‘Goals’,‘Saves made’,‘Offsides’]] ...
pandas 获取DataFrame的前几行和后几行数据
weixin_42118352的博客
05-12 2697
获取前十行数据，返回一个DataFrame。获取后十行数据，返回一个DataFrame。
pandas入门: 获取dataframe的columns
studyvcmfc的专栏
07-15 809
https://blog.csdn.net/jp_666/article/details/104600231?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-6.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7
python pandas获取csv指定行 列的操作方法
09-19
主要介绍了pandas获取csv指定行，列的操作方法，本文简单易懂，非常不错，具有一定的参考借鉴价值,需要的朋友可以参考下
pandas.DataFrame删除/选取含有特定数值的行或列实例
09-19
在Python数据分析领域，`pandas`库是不可或缺的工具，...无论是删除还是选取特定数值的行或列，或者处理空值，都有明确的步骤和方法。在实际数据分析工作中，熟练掌握这些技巧能极大地提高效率，确保数据清洗的准确性。
pandas 选取行和列数据的方法详解
01-01
数据由行和列组成，在数据库中，一般行被称作记录 (record)，列被称作字段 (field)。回顾一下我们对记录和字段的获取方式：一般情况下，字段根据名称获取，记录根据筛选条件获取。比如获取 student_id 和 studnent_...
python pandas读取csv后,获取列标签的方法
09-19
总的来说，pandas的`read_csv`函数为我们提供了方便的数据读取功能，而`.columns`属性则让我们能轻松获取列标签，进一步进行数据处理和分析。无论你是初学者还是经验丰富的开发者，掌握这些基础操作都将极大地提升你...
Python Pandas中根据列的值选取多行数据
12-31
Pandas中根据列的值选取多行数据 # 选取等于某些值的行记录 用 == df.loc[df['column_name'] == some_value] # 选取某列是否是某一类型的数值 用 isin df.loc[df['column_name'].isin(some_values)] # 多种条件的...
【Python_045】pandas读取csv | 设置显示所有列 | 只读取某几列前几行
Haaaley's Notebook
03-22 5665
本篇介绍一些pd.read_csv不常用但方便的小技巧 设置显示所有列 import panda as pd df = pd.read_csv(r"C:\Users\Haley\Desktop\Test.csv") pd.set_option("display.max.columns",None) df 只读取某几列 import panda as pd df = pd.read_csv(r"C:\Users\Haley\Desktop\Test.csv", usecols=['COL1','COL2.
pandas读取数据前几行
jcyuanshihcwangqiu的博客
05-16 1万+
pandas读取数据前几行 比如需要读取excel前1000行，代码如下 代码如下： data = pd.read_excel('E:/demo.xlsx', nrows = 1000) 检验结果： print(data.shape[0]) 1000 读取成功
Python数据分析——pandas行列的选取
奋斗不息，编码不止
03-21 7466
在数据分析中，选取需要的数据进行处理和分析是很重要的。在Excel表格中，通过鼠标点选或扩选可以轻松地选取数据，而在 pandas 数据中，需要通过索引来完成数据的选取工作。 DataFrame数据的选取更复杂些，因为它是二维数组，选取列和行都有具体的使用方法。接下来将重点介绍DataFrame数据的选取。 一. 选取列 通过列索引标签或以属性的方式可以单独获取 DataFrame的列数据，返回的数据为 Series结构。通过两个中括号，可以获取多个列的数据。 city name sex y
pandas 根据前几列，来新增一列
HEHEEH123的专栏
07-08 3682
import numpy as np import pandas as pd data = {'city': ['Beijing', 'Shanghai', 'Guangzhou', 'Shenzhen', 'Hangzhou', 'Chongqing'], 'year': [2016,2016,2015,2017,2016, 2016], 'population'...
Time Series Databases
qq_41134622的博客
10-17 1089
Time Series Databases 本文为自己学习该篇论文所记的笔记，主要是一些术语的记录及解释
pandas 读取或者选择某几列
热门推荐
aaa_aaa1sdf的博客
08-19 22万+
示例
pandas一些简单数据操作
li_rshan的博客
03-30 253
一些pandas读取表格并进行常用数据处理的操作 操作列表读取多行数据重命名需要的数据列取出指定值数据列查找缺失值替换缺失值 读取多行数据 tabledata = pandas.read_excel("./数据.xlsx", header=None, sep=',', nrows=10) 其中： header：指定作为列名的行，默认0，即取第一行的值为列名，数据为列名行以下的数据；若数据不含列名...
pandas获取指定的列和行
03-25
可以使用 Pandas 中的 loc 和 iloc 方法来获取指定的行和列。 例如，假设有一个名为 df 的 DataFrame，要获取第一列和第二行的数据，可以使用以下代码： ``` df.loc[1, ['第一列名称', '第二列名称']] ``` 其中，1 是行数，['第一列名称', '第二列名称'] 是所需的列名称列表。 如果要获取第二列和第三行的数据，则可以使用以下代码： ``` df.iloc[2, [1, 2]] ``` 其中，2 是行数，[1, 2] 是所需的列索引列表。注意，索引是从 0 开始的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值