python的pandas包数据框单层索引操作核心方法loc，iloc，ix，query

使用python3，软件为ipython notebook

pandas包不是python自带的包，需要我们手动载入

import pandas as pd

利用pandas简单创建一个数据框

df = pd.DataFrame([[0,1,2,3,4,5],[10,11,12,13,14,15],[20,21,22,23,24,25],[30,31,32,33,34,35],[40,41,42,43,44,45],[50,51,52,53,54,55]],columns=['a', 'b', 'c', 'd', 'e','f'])

---

1.loc[]

---

这个索引方法是基于索引名字来搜索，使用方法如下：
- 输入单独的索引名

df.loc[5]

就会索引出列名为5的那一行

• 输入索引名的列表

df.loc[[1,3,5]]

• 输入slice

df.loc[[1,3,5]]

• 输入带有一个参数的`callable“function

df.loc[df['a']<30,'grade']='L'

df

• 输入行与列

df.loc[1,'a']

10

---

2. iloc[]

---

iloc与loc的用法相同，只是loc是使用索引名称，而iloc是使用索引位置。

---

3.ix

---

ix可以称为iloc和loc的混合体，也就是说它可以支持iloc的位置索引和loc的名称索引的任意输入，不过名称索引的优先级在位置索引之前。看下面一个列子，你就会知道如何使用.ix索引方法了。

df.ix[[1,2,0],[1,5]]

df.ix[[1,2,0],['b','f']]

会发现两种代码的输出结果都一样，区别是第一种的第二个选项是使用了位置索引，而第二种的第二个选项是使用了名称索引。

---

---

4.query

---

---

查询带有布尔值表达式的数据框的列

ls=[[1,5],[2,4],[3,3],[4,2],[5,1]]
lt=['n','m']
df=pd.DataFrame(ls,columns=lt)
df

df.query('n>m')

输出了符合n>m的结果。这就是query的简单用法。
以上四种方法就是单层索引操作比较常用的方法。