loc方法和iloc使用方法记录

最新推荐文章于 2024-08-21 18:41:12 发布
最新推荐文章于 2024-08-21 18:41:12 发布
阅读量148 收藏
点赞数
分类专栏： 深度学习记录 文章标签： python
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_56777139/article/details/133717438
版权 
import pandas as pd
data={'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],
      'year':[2000,2001,2002,2001,2002],
      'pop':[1.5,1.7,3.6,2.4,2.9]}
df=pd.DataFrame(data)
df.index=list('abcde')
print(df)

 state  year  pop
a    Ohio  2000  1.5
b    Ohio  2001  1.7
c    Ohio  2002  3.6
d  Nevada  2001  2.4
e  Nevada  2002  2.9

loc方法

1.行切片
print(df.loc['b'])
print(df.loc['b':'d'])
print(type(df.loc['b']))
print(type(df.loc['b':'d']))

state    Ohio
year     2001
pop       1.7
Name: b, dtype: object
    state  year  pop
b    Ohio  2001  1.7
c    Ohio  2002  3.6
d  Nevada  2001  2.4
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>

注意数据类型的不同

2.单行或多行检索
print(df.loc[['b']])
print(df.loc[['b','d']])
print(type(df.loc[['b']]))
print(type(df.loc[['b','d']]))

state  year  pop
b  Ohio  2001  1.7

    state  year  pop
b    Ohio  2001  1.7
d  Nevada  2001  2.4
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
3.列检索
print(df.loc[:,['year']])
print(df.loc[:,['state','year']])
print(type(df.loc[:,['year']]))
print(type(df.loc[:,['state','year']]))

   year
a  2000
b  2001
c  2002
d  2001
e  2002
    state  year
a    Ohio  2000
b    Ohio  2001
c    Ohio  2002
d  Nevada  2001
e  Nevada  2002
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame
4.结合结合检索
print(df.loc[['b'],['state']])
print(df.loc[['b','d'],['state','year']])
print(df.loc[:,['state','year']])
print(type(df.loc[['b'],['state']]))
print(type(df.loc[['b','d'],['state','year']]))
print(type(df.loc[:,['state','year']]))

state
b  Ohio
    state  year
b    Ohio  2001
d  Nevada  2001
    state  year
a    Ohio  2000
b    Ohio  2001
c    Ohio  2002
d  Nevada  2001
e  Nevada  2002
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>

（第二项缺省参数）

5.列切片

同第一项

print(df.loc[:,'year'])
print(df.loc[:,'year':'pop'])
print(type(df.loc[:,'year']))
print(type(df.loc[:,'year':'pop']))

a    2000
b    2001
c    2002
d    2001
e    2002
Name: year, dtype: int64
   year  pop
a  2000  1.5
b  2001  1.7
c  2002  3.6
d  2001  2.4
e  2002  2.9
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
6.行列结合切片
print(df.loc['b','year'])
print(df.loc['b','state':'pop'])
print(df.loc['b':'d','year'])
print(df.loc['b':'d','year':'pop'])
print(type(df.loc['b':'year']))
print(type(df.loc['b','state':'pop']))
print(type(df.loc['b':'d','year']))
print(type(df.loc['b':'d','year':'pop']))

2001
state    Ohio
year     2001
pop       1.7
Name: b, dtype: object
b    2001
c    2002
d    2001
Name: year, dtype: int64
   year  pop
b  2001  1.7
c  2002  3.6
d  2001  2.4
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.series.Series'>
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>

注意类型的不同

7.组合使用
print(df.loc['b',['state']])
print(df.loc['b',['state','year']])
print(df.loc['b':'d',['state']])
print(df.loc['b':'d',['state','year']])

print(type(df.loc['b',['state']]))
print(type(df.loc['b',['state','year']]))
print(type(df.loc['b':'d',['state']]))
print(type(df.loc['b':'d',['state','year']]))

state    Ohio
Name: b, dtype: object
state    Ohio
year     2001
Name: b, dtype: object
    state
b    Ohio
c    Ohio
d  Nevada
    state  year
b    Ohio  2001
c    Ohio  2002
d  Nevada  2001
<class 'pandas.core.series.Series'>
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
8.返回判断内容
print(df.loc[df['pop']>2,'pop'])
print(df.loc[df['pop']>2,'year':'pop'])
print(df.loc[df['pop']>2,['pop']])
print(df.loc[df['pop']>2,['year','pop']])

c    3.6
d    2.4
e    2.9
Name: pop, dtype: float64
   year  pop
c  2002  3.6
d  2001  2.4
e  2002  2.9
   pop
c  3.6
d  2.4
e  2.9
   year  pop
c  2002  3.6
d  2001  2.4
e  2002  2.9
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>

print(df.loc[lambda x: x['pop']>3])
print(df.loc[lambda x: x['year']>2002])
print(df.loc[lambda x: x['year']>2001])

print(type(df.loc[lambda x: x['pop']>3]))
print(type(df.loc[lambda x: x['year']>2002]))
print(type(df.loc[lambda x: x['year']>2001]))

state  year  pop
c  Ohio  2002  3.6
Empty DataFrame
Columns: [state, year, pop]
Index: []
    state  year  pop
c    Ohio  2002  3.6
e  Nevada  2002  2.9
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>

iloc方法

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

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

state    Ohio
year     2001
pop       1.7
Name: b, dtype: object
  state  year  pop
b  Ohio  2001  1.7
  state  year  pop
b  Ohio  2001  1.7
c  Ohio  2002  3.6
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
2.列切片
print(df.iloc[:,1])
print(df.iloc[:,1:2])
print(df.iloc[:,1:3])

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

a    2000
b    2001
c    2002
d    2001
e    2002
Name: year, dtype: int64
   year
a  2000
b  2001
c  2002
d  2001
e  2002
   year  pop
a  2000  1.5
b  2001  1.7
c  2002  3.6
d  2001  2.4
e  2002  2.9
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
3.行列结合切片
print(df.iloc[1,1])
print(df.iloc[1,1:3])
print(df.iloc[1,1:2])
print(df.iloc[1:3,1])
print(df.iloc[1:3,1:3])

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

2001
year    2001
pop      1.7
Name: b, dtype: object
year    2001
Name: b, dtype: object
b    2001
c    2002
Name: year, dtype: int64
   year  pop
b  2001  1.7
c  2002  3.6
<class 'numpy.int64'>
<class 'pandas.core.series.Series'>
<class 'pandas.core.series.Series'>
<class 'pandas.core.series.Series'>
<class 'pandas.core.frame.DataFrame'>
4.行索引
print(df.iloc[[1]])
print(df.iloc[[1,3]])

print(type(df.iloc[[1]]))
print(type(df.iloc[[1,3]]))

 state  year  pop
b  Ohio  2001  1.7
    state  year  pop
b    Ohio  2001  1.7
d  Nevada  2001  2.4
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
5.列索引
print(df.iloc[:,[0]])
print(df.iloc[:,[0,2]])

print(type(df.iloc[:,[0]]))
print(type(df.iloc[:,[0,2]]))

 state
a    Ohio
b    Ohio
c    Ohio
d  Nevada
e  Nevada
    state  pop
a    Ohio  1.5
b    Ohio  1.7
c    Ohio  3.6
d  Nevada  2.4
e  Nevada  2.9
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
6.行列结合索引
print(df.iloc[[1],[0]])
print(df.iloc[[1],[0,2]])
print(df.iloc[[1,3],[0]])
print(df.iloc[[1,3],[0,2]])

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

 state
b  Ohio
  state  pop
b  Ohio  1.7
    state
b    Ohio
d  Nevada
    state  pop
b    Ohio  1.7
d  Nevada  2.4
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
7.返回判断内容
df.index=list(range(22,27))
print(df.iloc[lambda x:x.index%2==0])

     state  year  pop
22    Ohio  2000  1.5
24    Ohio  2002  3.6
26  Nevada  2002  2.9
Zzzzzz！
关注
专栏目录
Pandas笔记 · DataFrame.loc()和DataFrame.iloc()
Laurence的技术博客
12-08 1万+
本文将介绍 DataFrame.loc()和DataFrame.iloc()的各项基本操作。在介绍DataFrame的数据结构时，我们解释过label和position两个概念，这两个概念和loc()与iloc()两个操作息息相关。所以，在介绍这两个操作之前，我们再简单复习一下label和position：label: 对DataFrame的列或行（Index）的名称统称为label position: 对DataFrame的列或行（Index）的排序位置（0，1，2，…)统称为position 相应地：l
Python DataFrame 中loc和iloc的区别
jessendsc的博客
04-03 2421
在使用pandas时，loc和iloc让我踩了几次坑。所以在此记录一下二者的区别。 In [1]: import pandas as pd In [2]: import numpy as np In [3]: d = pd.DataFrame(np.arange(20).reshape(5, 4), columns=list('abcd')) In [4]: d Out[4]: a b c d 0 0 1 2 3 1 4 5 6 7 2 8 9
loc和iloc函数用法详解（Python）
2401_83601703的博客
04-07 1438
6.4 得到第二行开始的数据6.5 得到第3-n行，第4-m列的数据(假设共有n行，m列)1 利用loc、iloc提取行数据import numpy as npimport pandas as pd#创建一个Dataframedata=pd.DataFrame(np.arange(16).reshape(4,4),index=list(‘abcd’),columns=list(‘ABCD’))In[1]: dataOut[1]:A B C Da 0 1 2 3b 4 5
loc和iloc的区别
long_jing_1003的博客
10-16 3293
df1.iloc[0:3, 0:5] 取的是下标为0到3但不包括3的行（或者理解为从下标为0开始取3行），下标为0到5但不包括5的列（或者理解为从下标为0开始取5列）df1.loc[0:3,'name':'Total'] 取的是从第0行到第4行，'name'列到‘Total’的数据，切片是左闭右闭的。但行列名为数字时，loc也可以索引数字，但这里的数字不一定从0开始编号，是对应具体行列名的数字！iloc使用顺序数字来索引数据，而不能使用字符型的标签来索引数据；注意：这里的顺序数字是指从0开始计数！
python中dataframe的iloc和loc的使用区别
最新发布
qq_42384480的博客
08-21 673
python中dataframe的iloc和loc的使用区别
loc iloc
Maple丶峰
08-28 574
参考资料https://www.douban.com/note/637242742/
iloc[ ]函数（Pandas库）
Fwuyi的博客
02-25 14万+
问题：iloc函数是干什么的？ 回答：在数据分析过程中，很多时候需要从数据表中提取出相应的数据，而这么做的前提是需要先“索引”出这一部分数据。iloc函数，属于pands库，全称为index location，即对数据进行位置（location）索引（index）。 问题：iloc函数怎么用？ 回答：iloc[a,b]，其中a是行数，b是列数。具体a和b的输入有以下几种形式： 1.iloc[a,b]:取第a行第b列的数据。 注意，在iloc中认为数据中的行数和列数都是如图这样定义的 图1...
loc与iloc的使用记录
A81194的博客
04-02 262
（5）指定数据选取：df.loc[ df ['a'] ==10, ['b','c'] ]——>选取了当a=10时，b和c行的结果。（4）选择多列：df.loc[:, [col_index1,col_index2] ]（3）选择多行：df.loc[ [row_index1,row_index2] ]（2）选择列：df.loc[:,col_index]2.iloc的使用：依据自然索引（无自定义）进行检索。（1）选择行：df.loc[row_index]1.loc的使用：依据标签/索引检索。
【pandas】loc与iloc函数区别及用法详解
weixin_43298886的博客
01-15 3810
共同点 两者都接收两个参数 区别 loc函数接收的是行/列的名称，iloc函数接收的是行/列的下标 loc函数在切片时是按闭区间切片的，也就是区间两边都能取到，iloc函数则是按传统的左闭右开的方式切片的 图解： 具体用法 loc函数 A single label, e.g. 5 or 'a', (note that 5 is | interpreted as a label of the index, and never as an | integer position along the
loc和iloc的用法
竹墨的专栏
11-05 3494
1.导入数据处理函数，导入存储和处理矩阵函数。 2.定义table为获取表格（矩阵的行数/列数，行名，列名） 3.打印出table表格 4.获取表格table的“zu1”列 5.对于行就需要用到loc和iloc方法 如上table定义了一个index，那么loc就根据这个index（即行名）来索引对应的行。 iloc是根据行号来索引，行号从0开始，逐次加1。 ...
iloc的用法
li93675的博客
11-17 4万+
    iloc[   :  ,  : ]    前面的冒号就是取行数，后面的冒号是取列数
iloc函数使用方法
qq_39368111的博客
12-01 6万+
iloc[ : , : ] 前面的冒号就是取行数，后面的冒号是取列数 找了一个例子做实践 import numpy as np import matplotlib.pyplot as plt import pandas as pd dataset = pd.read_csv('Position_Salaries.csv') dataset.head(5) X = dataset.iloc[:, 1:2].values #第2列【1】 level 左闭右开 y = datase
python中loc方法和iloc方法
weixin_43954547的博客
05-06 1248
pandas以类似字典的方式来获取某一列的值 loc是指location的意思，iloc中的i是指integer。这两者的区别如下： locworks on labels in the index.loc对索引中的标签起作用。 ilocworks on the positions in the index (so it only takes integers)iloc在索引中的位置上作用（所以它只接受整数）。 1.loc方法 通过标签索引行的数据 2.iloc方法 通过内置位置index...
iloc和loc，处理千分符，数据集中，win/plt乱码，循环画图
TONYforlife的博客
11-06 205
1.iloc和loc loc看行号，iloc看索引 2.处理千分符 m='111,111' n=m.replace(',','') 3.数据集中 bp_df=bp_df.groupby('date').sum() bp_df['date']=bp_df.index 4.win/plt乱码 plt.rcParams['font.sans-serif']=['SimHei'] 5.循环画图 p...
python的iloc用法
weixin_42591413的博客
02-12 3000
iloc 是 Pandas 中的一个函数，用于选择数据框中的行和列。它使用整数索引来选择数据，而不是使用标签。 具体用法如下： df.iloc[行索引，列索引] 例如： df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}) print(df.iloc[0,0]) # 输出 1 行索引和列索引都可以是整数，也可以是切片...
pandas教程.loc和iloc
07-30
回答: 在pandas中，.loc和.iloc都是用来访问DataFrame中的行或列的方法。.loc是通过名字访问行或列，而.iloc是通过索引访问行或列。[1]举个例子，如果我们有一个Series对象s，其中包含了一些数据和索引，我们可以...
loc和iloc的用法汇总（完成）
微电子学与固体电子学-俞驰
06-28 608
#-*- coding: utf-8 -*- import numpy as np import pandas as pd df = pd.DataFrame(np.arange(0,60,2).reshape(10,3),columns=list('abc')) print(df) print("----------------接下来是loc用法-------------------") print (df.loc[0, 'a'])#输出坐标为（0,a）的元素值 print("-------
Pandas中loc和iloc函数用法详解（源码+实例）
热门推荐
W_weiying的博客
08-04 37万+
loc函数：通过行索引 "Index" 中的具体值来取行数据（如取"Index"为"A"的行） iloc函数：通过行号来取行数据（如取第二行的数据） 本文给出loc、iloc常见的五种用法，并附上详细代码。 1. 利用loc、iloc提取行数据 import numpy as np import pandas as pd #创建一个Dataframe data=pd.DataFrame(...
评论 1
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