Pandas中[],loc,iloc,at,iat,ix的用法区别和规律总结 ——Pandas系列(2)

上篇文章介绍了Panda的一些常用的方法，发现用法实在太多，无法一一列举，其实多用几次就发现Pandas的数据切片方法是有使用规律的。数据切片方面常用的方法有loc，iloc，at，iat，ix，dataframe[]，这几个方法有很多相似之处。我们来区分一下：

首先我们来造一批测试数据

df=pd.DataFrame(np.arange(42).reshape(7,6),columns=list('abcdefg'),index=list('hijklm'))

loc只能根据行/列名查询

df.loc[:,:] #所有数据
df.loc['h','a'] #h行a列
df.loc[['h','k'],['c','d']] #h，k行的c，d列
df.loc['h':'k','c':'d'] #h~k行的c~d列

iloc只能根据行/列索引查询

df.iloc[:,:] # 显示所有数据
df.iloc[1,1] #显示第一行第一列的数字
df.iloc[[1,3],[1,3]] # 显示1，3行的1，3列数字
df.iloc[1:3,1:3] # 显示1~3行的1~3列数字

at只能根据行/列名查询

at['a','c'] # 显示a行c列的数字

iat只能根据行/列索引查询

iat[1,1] # 显示第1行1列的数字

这里有一个坑，有时候我们发现下面这几种形式竟然也可以查询

loc[1:3,['c','d']]
loc[[1,3],['c','d']]
loc[[1,3],[2:3]

at[2,'c']
at[2,2]

不是说好的.loc和.at只能按照列名查询，为什么也能用索引呢？
并非如此，谁告诉你行名称或者列名称不能是数字了？其实这种写法是因为定义DataFrame结构的时候，把行或者列名定义成了数字，而数字不用加引号，所以看起来好像是用了索引一样，其实loc和at用的仍然是行/列名查找。

dataframe[]只能单独查询行或者列，不能行和列混合查询

df[:] # 取所有数据
df[1:3] # 取1~3行数据
df['a'] # 取'a'列数据
df[['a','b']] #取'a','b'两列数据
df['a'][2] # 取'a'列数据的第二行

ix既能通过索引查询，又能通过行列名进行查询

.ix具备.loc，.iloc，.at，.iat，dataframe[]的所有功能，就不再过多介绍，总之就是.loc，.iloc，.at，.iat，dataframe的语法他都能用

df.ix['i':'l','a':'d']
df.ix[['i','h'],['a','d']]
df.ix[1:3,2:4]
df.ix[[1,3],[2,4]]
df.ix[:,:]

因此在平时使用中，用ix无疑是最好的选择了