比特派app官网版下载安装|loc
作者： 比特派app官网版下载安装
2024-03-07 19:41:02
Pandas读取某列、某行数据——loc、iloc用法总结_data.iloc用法-CSDN博客
>Pandas读取某列、某行数据——loc、iloc用法总结_data.iloc用法-CSDN博客
Pandas读取某列、某行数据——loc、iloc用法总结
最新推荐文章于 2024-03-05 10:15:42 发布
子木同学
最新推荐文章于 2024-03-05 10:15:42 发布
阅读量10w+
收藏
715
点赞数
171
分类专栏：
python数据分析
文章标签：
索引
pandas
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/Bigboss7/article/details/118597351
版权
python数据分析
专栏收录该内容
5 篇文章
11 订阅
订阅专栏
实际操作中我们经常需要寻找数据的某行或者某列，这里介绍我在使用Pandas时用到的两种方法：iloc和loc。
目录
1.loc方法
（1）读取第二行的值
（2）读取第二列的值
（3）同时读取某行某列
（4）读取DataFrame的某个区域
（5）根据条件读取
（6）也可以进行切片操作
2.iloc方法
（1）读取第二行的值
（2）读取第二行的值
（3）同时读取某行某列
（4）进行切片操作
loc：通过行、列的名称或标签来索引
iloc：通过行、列的索引位置来寻找数据
首先，我们先创建一个Dataframe，生成数据，用于下面的演示
import pandas as pd
import numpy as np
# 生成DataFrame
data = pd.DataFrame(np.arange(30).reshape((6,5)),
columns=['A','B','C','D','E'])
# 写入本地
data.to_excel("D:\\实验数据\\data.xls", sheet_name="data")
print(data)
1.loc方法
loc方法是通过行、列的名称或者标签来寻找我们需要的值。
（1）读取第二行的值
# 索引第二行的值，行标签是“1”
data1 = data.loc[1]
结果：
备注：
#下面两种语法效果相同
data.loc[1] == data.loc[1,:]
（2）读取第二列的值
# 读取第二列全部值
data2 = data.loc[ : ,"B"]
结果：
（3）同时读取某行某列
# 读取第1行，第B列对应的值
data3 = data.loc[ 1, "B"]
结果：
（4）读取DataFrame的某个区域
# 读取第1行到第3行，第B列到第D列这个区域内的值
data4 = data.loc[ 1:3, "B":"D"]
结果：
（5）根据条件读取
# 读取第B列中大于6的值
data5 = data.loc[ data.B > 6] #等价于 data5 = data[data.B > 6]
结果：
（6）也可以进行切片操作
# 进行切片操作，选择B，C，D，E四列区域内，B列大于6的值
data1 = data.loc[ data.B >6, ["B","C","D","E"]]
结果：
2.iloc方法
iloc方法是通过索引行、列的索引位置[index, columns]来寻找值
（1）读取第二行的值
# 读取第二行的值，与loc方法一样
data1 = data.iloc[1]
# data1 = data.iloc[1, :]，效果与上面相同
结果：
（2）读取第二列的值
# 读取第二列的值
data1 = data.iloc[:, 1]
结果：
（3）同时读取某行某列
# 读取第二行,第二列的值
data1 = data.iloc[1, 1]
结果：
（4）进行切片操作
# 按index和columns进行切片操作
# 读取第2、3行，第3、4列
data1 = data.iloc[1:3, 2:4]
结果：
注意：
这里的区间是左闭右开，data.iloc[1:3, 2:4]中的第4行、第5列取不到
优惠劵
子木同学
关注
关注
171
点赞
踩
715
收藏
觉得还不错?
一键收藏
知道了
6
评论
Pandas读取某列、某行数据——loc、iloc用法总结
实际操作中我们经常需要寻找数据的某行或者某列，这里介绍我在使用Pandas时用到的两种方法：iloc和loc。目录1.loc方法（1）读取第二行的值（2）读取第二列的值（3）同时读取某行某列（4）读取DataFrame的某个区域（5）根据条件读取（6）也可以进行切片操作2.iloc方法（1）读取第二行的值（2）读取第二行的值（3）同时读取某行某列（4）进行切片操作loc：通过行、列的名称或标签来索引iloc：通过行、列的索引位置来寻找数据..
复制链接
扫一扫
专栏目录
pandas-3-利用loc、iloc进行数据选择
07-27
`loc` 是 pandas DataFrame 的一个非常强大的功能，它是基于标签的数据选择方法，意味着它根据数据的标签（通常是行索引和列索引）来进行数据的选择。
`iloc` 是 pandas DataFrame 的一个重要功能，它是基于整数位置的数据选择方法，意味着它根据数据的整数位置来进行数据的选择。
pandas对dataFrame中某一个列的数据进行处理的方法
09-19
主要介绍了pandas对dataFrame中某一个列的数据进行处理的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
6 条评论
您还未登录，请先
登录
后发表或查看评论
Pandas——筛选数据（loc、iloc）
12-22
文章目录1.普通方法筛选2.loc(纯标签筛选)3. iloc（纯数字筛选）4.ix（标签与数字的混合筛选）5.判断条件筛选
1.普通方法筛选
我们首先构造了一个 5X4 的矩阵数据。
import pandas as pd
import numpy as np
dates = pd.date_range('20200315', periods = 5)
df = pd.DataFrame(np.arange(20).reshape(5,4), index = dates, columns = ['A', 'B','C','D'])
print(df)
#输出
A
Python-数据处理：iloc和loc的用法
m0_62832519的博客
08-02
2629
iloc与loc的区别在于，iloc通过数字来筛选需要的行和列，更多用于直接筛选行列。而loc是通过行列的名称来筛选，loc更多用于有筛选条件中使用，具体的可以参照以下列子理解。-------------------------数据表------------------------------print(data.loc[0:2,['姓名','性别','年龄']])print(data.loc[data['年龄']>19,:])print(data[data['年龄']>19])...
pandas数据查询——loc各种用法
2302_80061155的博客
01-12
610
pandas数据查询之loc的各种用法，包括查询某行某列，查询多列，日期查询以及多条件查询
pandas中的loc()与iloc()函数的区别
fly_Xiaoma的博客
04-06
7389
定义一个DataFrame对象：
import pandas as pd
data=pd.DataFrame({'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]}
print(data)
.loc()方法
.loc()有两种用法：
使用行标签和列标签，获取行、列对应的某一个值
选定某一个区域的值
这两种方法表示为：
data.loc['b','B...
Pandas经典用法：数据筛选之iloc和loc
Python学习与数据挖掘
11-08
3万+
Pandas 是一套用于 Python 的快速、高效的数据分析工具。它可以用于数据挖掘和数据分析，同时也提供数据清洗功能。本篇目录如下：
一、iloc
1.定义
iloc索引器用于按位置进行基于整数位置的索引或者选择。
2.语法
df.iloc [row selection, column selection]
3.代码示例
（1）导入数据
（2）选择单行或单列
（3）选择多行或多列
（4）注意
iloc选择一行时返回Series，选择多行返回DataFrame，通过传递列表可转为DataFram
iloc[ ]函数（Pandas库）
热门推荐
Fwuyi的博客
02-25
13万+
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...
Pandas中loc和iloc函数（提取某几列或者行的数据）
简单记录生活、学习
04-21
5万+
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提取某一行数据
import numpy as np
import pandas as pd
#创建一个Dataframe
data=pd.DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=
python数据分析-Pandas的loc和iloc的用法和区别
qq_40395868的博客
02-27
6387
loc和iloc的区别和用法
一、区别
loc适用于索引中的标签。
iloc在索引中的位置上起作用（因此仅采用整数）。
（1）loc的用法
data.loc[:,'列一'] #取出所有行第一列，loc可以理解为传入两个参数一个是关于行的，一个是关于列的。
data.loc[:,['列一','列四','列三']] #取出所有行多列，就把列名包裹成列表的形式。
data.loc[0:5,['列一','列四','列三']] #取出某几行某几列，把行索引和列名传入。
data.loc[data['列四']==138
Python开发之pandas行和列的获取
等待着冬天的风的博客
01-02
2万+
前言：主要介绍pandas行和列的获取
python选取特定列 pandas iloc,loc,icol的使用详解(列切片及行切片)
09-18
今天小编就为大家分享一篇python选取特定列 pandas iloc,loc,icol的使用详解(列切片及行切片)，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
pandas数据框,统计某列数据对应的个数方法
09-20
下面小编就为大家分享一篇pandas数据框,统计某列数据对应的个数方法，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
使用pandas读取csv文件的指定列方法
09-20
下面小编就为大家分享一篇使用pandas读取csv文件的指定列方法，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使用pandas模块写入、读取本地excel文件
Bigboss7的博客
07-08
1万+
python用pandas模块写入、读取本地excel文件—方法总结（数据格式为DataFrame）
1.写入本地excel文件
问题描述：在一些场景下，我们需要将采集到的数据保存为本地的excel文件，写入的数据格式为DataFrame。
代码语法：首先导入pandas模块
2.读取本地excel文件
问题描述：我们将采集的数据存入本地的excel文件，存入excel的数据格式是DataFrame,然后现在需要读取本地的excel文件进行数据处理。
解决办法：导入pandas模块.
Python-用Numpy数据分析
Bigboss7的博客
07-30
292
1.切片和索引
# -*- coding : utf-8 -*-
"""
@Time: 2021/7/29 21:51
@Author : zhanxuejie
@FileName: part01.py
@Software:PyCharm
"""
import numpy as np
a = [[1,2,3],
[4,5,6],
[7,8,9]]
# a = [1,2,3,4,5,6]
t = np.array(a)
# 选择行
print(t)
print(t[1:,:]) #第一
Python数据分析小技巧【01】
Bigboss7的博客
07-17
219
1.将字符串翻转
my_Str = "ABCDE"
r_Str = my_Str[::-1]
print(r_Str)
output：
EDCBA
2.英文单词首字母大写
my_str = "my name is xiao ming"
# 通过title()来实现首字母大写
new_str = my_str.title()
print(new_str)
output：
My Name Is Xiao Ming
3.字符串去掉重复值
my_str = "aabbbbbcc.
Scrapy与分布式开发(3)：Scrapy核心组件与运行机制
最新发布
九月镇领将的博客
03-05
917
Scrapy是一个为了爬取网站数据、提取结构性数据而编写的应用框架。它使用Python语言编写，并基于异步网络框架Twisted来实现高性能的爬虫。Scrapy最初是为了页面抓取（更确切地说是网络抓取）而设计的，但它也可以用于获取API返回的数据或通用的网络爬虫。
stopword 哈工大
06-05
stopword是一种在文本处理中用于排除某些常见词汇的技术。简单来说，就是在文本中去除那些不必要的词语，保留有用的信息。哈工大是指“哈尔滨工业大学”，该校在自然语言处理领域取得了很高的成就，其中包括中文分词和stopword等技术的研究和应用。在哈工大开发的stopword库中，包括了常见的虚词、介词、连词等几乎无实际意义的词语，这些词语在文本中出现的频率很高，但对整个文本的意义却没有贡献。通过去除这些无用的词语，可以提高文本处理的效率和准确性，使得文本分析更加精准。哈工大的stopword技术被广泛应用于中文自然语言处理、搜索引擎等领域，在提高信息处理效率和提高搜索结果质量方面发挥了重要作用。
“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
子木同学
CSDN认证博客专家
CSDN认证企业博客
码龄4年
暂无认证
6
原创
24万+
周排名
170万+
总排名
25万+
访问
等级
254
积分
21
粉丝
181
获赞
6
评论
808
收藏
私信
关注
热门文章
Pandas读取某列、某行数据——loc、iloc用法总结
233757
python使用pandas模块写入、读取本地excel文件
15824
Python之列表、矩阵、数组的相互转换
2804
Python练习（Leetcode-11题）
322
Python-用Numpy数据分析
290
分类专栏
python数据分析
5篇
python爬虫
python实例练习
2篇
最新评论
Pandas读取某列、某行数据——loc、iloc用法总结
柏田尼乐:
data5 = data.loc[ data.B > 6]
这行代码用于选择在 DataFrame的data中，列名为 "B" 的值大于 6 的行
Pandas读取某列、某行数据——loc、iloc用法总结
柏田尼乐:
读取第二行的值
data1 = data.loc[1,:]
1表示第一行
：表示所有列
读取第二列的值
data2 = data.loc[ : ,"B"]
：表示选择所有行
B 表示第B列
Pandas读取某列、某行数据——loc、iloc用法总结
子木同学:
可以的，文章中有说明
Pandas读取某列、某行数据——loc、iloc用法总结
Raytheon_code:
loc方法不能用条件来索引数据吗
Pandas读取某列、某行数据——loc、iloc用法总结
赤土 炙焱:
感谢大佬，清晰，细致
您愿意向朋友推荐“博客详情页”吗？
强烈不推荐
不推荐
一般般
推荐
强烈推荐
提交
最新文章
Python-用Numpy数据分析
Python数据分析小技巧【01】
Python之列表、矩阵、数组的相互转换
2021年7篇
目录
目录
分类专栏
python数据分析
5篇
python爬虫
python实例练习
2篇
目录
评论 6
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
祝福语
请填写红包祝福语或标题
红包数量
个
红包个数最小为10个
红包总金额
元
红包金额最低5元
余额支付
当前余额3.43元
前往充值 >
需支付：10.00元
取消
确定
下一步
知道了
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
python pandas df.loc[]的典型用法 - 知乎
python pandas df.loc[]的典型用法 - 知乎切换模式写文章登录/注册python pandas df.loc[]的典型用法python小工具pandas中的df.loc[]主要是根据DataFrame的行标和列标进行数据的筛选的，如下图红框部分所示：其接受两个参数：行标和列标，当列标省略时，默认获取整行数据。两个参数都可以以字符，切片以及列表的形式传入。>>> import pandas as pd
>>> import numpy as np
>>> df = pd.read_excel(r'D:/myExcel/1.xlsx', index_col='id')
>>> df
name score grade
id
a bog 45 A
c jiken 67 B
d bob 23 A
b jiken 34 B
f lucy 98 A
e tidy 75 B
# 指定行标'a'以及'f'行，第二个参数省略，则获取整行
>>> df.loc[['a', 'f']]
name score grade
id
a bog 45 A
f lucy 98 A
# 以切片形式传入，会按照df中的顺序获取
# 此处需要注意，并不是只获取'a', 'b'行
# 在df中'a', 'b'两行中还包含'c', 'd'行
# 会一并获取
>>> df.loc['a':'b']
name score grade
id
a bog 45 A
c jiken 67 B
d bob 23 A
b jiken 34 B
# 以切片传入行标，以列表形式传入列标
>>> df.loc['a':'f', ['name','grade']]
name grade
id
a bog A
c jiken B
d bob A
b jiken B
f lucy A
# 单个字符串获取指定数据
>>> df.loc['a' , 'name']
'bog'
# 获取整列数据
>>> df.loc[:, ['name','grade']]
name grade
id
a bog A
c jiken B
d bob A
b jiken B
f lucy A
e tidy B
哈哈，以上就是python小工具关于df.loc[]的基本用法。有兴趣欢迎关注：python小工具。一起学习python和pandas发布于 2020-05-12 05:52Pandas(Python)PythonPython数据分析（书籍）赞同 432 条评论分享喜欢收藏申请
Python 基本操作- 数据选取loc、iloc、ix函数 - 简书
on 基本操作- 数据选取loc、iloc、ix函数 - 简书登录注册写文章首页下载APP会员IT技术Python 基本操作- 数据选取loc、iloc、ix函数Python_Franklin关注赞赏支持Python 基本操作- 数据选取loc、iloc、ix函数loc中的数据是列名，是字符串，所以前后都要取；iloc中数据是int整型，所以是Python默认的前闭后开一、loc函数
构建数据集df
import pandas as pd
df = pd.DataFrame([
['green', 'M', 10.1, 'class1'],
['red', 'L', 13.5, 'class2'],
['blue', 'XL', 15.3, 'class1']])
print (df)
# 数据集为以下内容，所有操作均对df进行
0 1 2 3
0 green M 10.1 class1
1 red L 13.5 class2
2 blue XL 15.3 class1
loc函数主要通过行标签索引行数据，划重点，标签！标签！标签！
loc[1] 选择行标签是1的（从0、1、2、3这几个行标签中）
In[1]: df.loc[1]
Out[1]:
0 red
1 L
2 13.5
3 class2
loc[0:1] 和 loc[0,1]的区别，其实最重要的是loc[0:1]和iloc[0:1]
In[10]: df.loc[0:1] #取第一和第二行，loc[]中的数字其实是行索引，所以算是前闭加后闭
Out[10]:
0 1 2 3
0 green M 10.1 class1
1 red L 13.5 class2
In[12]: df.iloc[0:1]
Out[12]:
0 1 2 3
0 green M 10.1 class1
In[11]: df.loc[0,1]
Out[11]: 'M'
索引某一列数据，loc[:,0:1]，还是标签，注意，如果列标签是个字符，比如'a'，loc['a']是不行的，必须为loc[:，'a']。
但如果行标签是'a',选取这一行，用loc['a']是可以的。
n[13]: df.loc[:,0:1]
Out[13]:
0 1
0 green M
1 red L
2 blue XL
二、iloc函数
iloc 主要是通过行号获取行数据，划重点，序号！序号！序号！
iloc[0:1]，由于Python默认是前闭后开，所以，这个选择的只有第一行！
In[12]: df.iloc[0:1]
Out[12]:
0 1 2 3
0 green M 10.1 class1
如果想用标签索引，如iloc['a']，就会报错，它只支持int型。
三、ix函数
ix——结合前两种的混合索引，即可以是行序号，也可以是行标签。
另，一些筛选操作
如选择prize>10(prize为一个标签)的，即 df.loc[df.prize>10]
还有&并或等操作
参考文献：
python选取特定列——pandas的iloc和loc以及icol使用
pandas入门——loc与iloc函数
pandas中loc、iloc、ix的区别
pandas基础之按行取数（DataFrame）
©著作权归作者所有,转载或内容合作请联系作者 人面猴序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...沈念sama阅读 145,261评论 1赞 308死咒序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...沈念sama阅读 62,177评论 1赞 259救了他两次的神仙让他今天三更去死文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...开封第一讲书人阅读 96,329评论 0赞 214道士缉凶录：失踪的卖姜人 文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...开封第一讲书人阅读 41,490评论 0赞 184港岛之恋（遗憾婚礼）正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...茶点故事阅读 49,353评论 1赞 262恶毒庶女顶嫁案：这布局不是一般人想出来的文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...开封第一讲书人阅读 39,028评论 1赞 179城市分裂传说那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...沈念sama阅读 30,611评论 2赞 276双鸳鸯连环套：你想象不到人心有多黑文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...开封第一讲书人阅读 29,383评论 0赞 171万荣杀人案实录序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...沈念sama阅读 32,749评论 0赞 215护林员之死正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...茶点故事阅读 29,460评论 2赞 219白月光启示录正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...茶点故事阅读 30,814评论 1赞 232活死人序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...沈念sama阅读 27,255评论 2赞 215日本核电站爆炸内幕正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...茶点故事阅读 31,752评论 3赞 214男人毒药：我在死后第九天来索命文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...开封第一讲书人阅读 25,685评论 0赞 9一桩弑父案，背后竟有这般阴谋文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...开封第一讲书人阅读 26,114评论 0赞 170情欲美人皮我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...沈念sama阅读 33,747评论 2赞 234代替公主和亲正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...茶点故事阅读 33,901评论 2赞 238推荐阅读更多精彩内容Python pandas 0.23.1 Indexing and Selecting Dat...最近在写个性化推荐的论文，经常用到Python来处理数据，被pandas和numpy中的数据选取和索引问题绕的比较...shuhanrainbow阅读 4,431评论 6赞 19Pandas选取行，列总结pandas 数据索引与选取 我们对 DataFrame 进行选择，大抵从这三个层次考虑：行列、区域、单元格。其对...周倜吉阅读 50,667评论 1赞 13《利用Python进行数据分析·第2版》第5章 pandas入门第1章 准备工作第2章 Python语法基础，IPython和Jupyter第3章 Python的数据结构、函数和...SeanCheney阅读 159,738评论 76赞 392Python数据分析常用API整理整理归纳在Python中使用对数据处理的常用方法，包括与HDFS文件的读写，主要是怕用的时候记不住，容易搞混，再搜...shohokuooo阅读 4,093评论 0赞 50至味在人间今天的空气是冰淇淋味儿的，窗外零下三十度，到处冒着白烟，人们在路上匆匆挪着小碎步前行。 每看到南方大雪的新闻，万分...如期_而至阅读 543评论 0赞 0评论1赞2525赞26赞赞赏更
pandas.DataFrame.loc — pandas 2.2.1 documentation
pandas.DataFrame.loc — pandas 2.2.1 documentation
Skip to main content
Back to top
Ctrl+K
Site Navigation
Getting started
User Guide
API reference
Development
Release notes
GitHub
Mastodon
Site Navigation
Getting started
User Guide
API reference
Development
Release notes
GitHub
Mastodon
Input/output
General functions
Series
DataFrame
pandas.DataFrame
pandas.DataFrame.index
pandas.DataFrame.columns
pandas.DataFrame.dtypes
pandas.DataFrame.info
pandas.DataFrame.select_dtypes
pandas.DataFrame.values
pandas.DataFrame.axes
pandas.DataFrame.ndim
pandas.DataFrame.size
pandas.DataFrame.shape
pandas.DataFrame.memory_usage
pandas.DataFrame.empty
pandas.DataFrame.set_flags
pandas.DataFrame.astype
pandas.DataFrame.convert_dtypes
pandas.DataFrame.infer_objects
pandas.DataFrame.copy
pandas.DataFrame.bool
pandas.DataFrame.head
pandas.DataFrame.at
pandas.DataFrame.iat
pandas.DataFrame.loc
pandas.DataFrame.iloc
pandas.DataFrame.insert
pandas.DataFrame.__iter__
pandas.DataFrame.items
pandas.DataFrame.keys
pandas.DataFrame.iterrows
pandas.DataFrame.itertuples
pandas.DataFrame.pop
pandas.DataFrame.tail
pandas.DataFrame.xs
pandas.DataFrame.get
pandas.DataFrame.isin
pandas.DataFrame.where
pandas.DataFrame.mask
pandas.DataFrame.query
pandas.DataFrame.__add__
pandas.DataFrame.add
pandas.DataFrame.sub
pandas.DataFrame.mul
pandas.DataFrame.div
pandas.DataFrame.truediv
pandas.DataFrame.floordiv
pandas.DataFrame.mod
pandas.DataFrame.pow
pandas.DataFrame.dot
pandas.DataFrame.radd
pandas.DataFrame.rsub
pandas.DataFrame.rmul
pandas.DataFrame.rdiv
pandas.DataFrame.rtruediv
pandas.DataFrame.rfloordiv
pandas.DataFrame.rmod
pandas.DataFrame.rpow
pandas.DataFrame.lt
pandas.DataFrame.gt
pandas.DataFrame.le
pandas.DataFrame.ge
pandas.DataFrame.ne
pandas.DataFrame.eq
pandas.DataFrame.combine
pandas.DataFrame.combine_first
pandas.DataFrame.apply
pandas.DataFrame.map
pandas.DataFrame.applymap
pandas.DataFrame.pipe
pandas.DataFrame.agg
pandas.DataFrame.aggregate
pandas.DataFrame.transform
pandas.DataFrame.groupby
pandas.DataFrame.rolling
pandas.DataFrame.expanding
pandas.DataFrame.ewm
pandas.DataFrame.abs
pandas.DataFrame.all
pandas.DataFrame.any
pandas.DataFrame.clip
pandas.DataFrame.corr
pandas.DataFrame.corrwith
pandas.DataFrame.count
pandas.DataFrame.cov
pandas.DataFrame.cummax
pandas.DataFrame.cummin
pandas.DataFrame.cumprod
pandas.DataFrame.cumsum
pandas.DataFrame.describe
pandas.DataFrame.diff
pandas.DataFrame.eval
pandas.DataFrame.kurt
pandas.DataFrame.kurtosis
pandas.DataFrame.max
pandas.DataFrame.mean
pandas.DataFrame.median
pandas.DataFrame.min
pandas.DataFrame.mode
pandas.DataFrame.pct_change
pandas.DataFrame.prod
pandas.DataFrame.product
pandas.DataFrame.quantile
pandas.DataFrame.rank
pandas.DataFrame.round
pandas.DataFrame.sem
pandas.DataFrame.skew
pandas.DataFrame.sum
pandas.DataFrame.std
pandas.DataFrame.var
pandas.DataFrame.nunique
pandas.DataFrame.value_counts
pandas.DataFrame.add_prefix
pandas.DataFrame.add_suffix
pandas.DataFrame.align
pandas.DataFrame.at_time
pandas.DataFrame.between_time
pandas.DataFrame.drop
pandas.DataFrame.drop_duplicates
pandas.DataFrame.duplicated
pandas.DataFrame.equals
pandas.DataFrame.filter
pandas.DataFrame.first
pandas.DataFrame.head
pandas.DataFrame.idxmax
pandas.DataFrame.idxmin
pandas.DataFrame.last
pandas.DataFrame.reindex
pandas.DataFrame.reindex_like
pandas.DataFrame.rename
pandas.DataFrame.rename_axis
pandas.DataFrame.reset_index
pandas.DataFrame.sample
pandas.DataFrame.set_axis
pandas.DataFrame.set_index
pandas.DataFrame.tail
pandas.DataFrame.take
pandas.DataFrame.truncate
pandas.DataFrame.backfill
pandas.DataFrame.bfill
pandas.DataFrame.dropna
pandas.DataFrame.ffill
pandas.DataFrame.fillna
pandas.DataFrame.interpolate
pandas.DataFrame.isna
pandas.DataFrame.isnull
pandas.DataFrame.notna
pandas.DataFrame.notnull
pandas.DataFrame.pad
pandas.DataFrame.replace
pandas.DataFrame.droplevel
pandas.DataFrame.pivot
pandas.DataFrame.pivot_table
pandas.DataFrame.reorder_levels
pandas.DataFrame.sort_values
pandas.DataFrame.sort_index
pandas.DataFrame.nlargest
pandas.DataFrame.nsmallest
pandas.DataFrame.swaplevel
pandas.DataFrame.stack
pandas.DataFrame.unstack
pandas.DataFrame.swapaxes
pandas.DataFrame.melt
pandas.DataFrame.explode
pandas.DataFrame.squeeze
pandas.DataFrame.to_xarray
pandas.DataFrame.T
pandas.DataFrame.transpose
pandas.DataFrame.assign
pandas.DataFrame.compare
pandas.DataFrame.join
pandas.DataFrame.merge
pandas.DataFrame.update
pandas.DataFrame.asfreq
pandas.DataFrame.asof
pandas.DataFrame.shift
pandas.DataFrame.first_valid_index
pandas.DataFrame.last_valid_index
pandas.DataFrame.resample
pandas.DataFrame.to_period
pandas.DataFrame.to_timestamp
pandas.DataFrame.tz_convert
pandas.DataFrame.tz_localize
pandas.Flags
pandas.DataFrame.attrs
pandas.DataFrame.plot
pandas.DataFrame.plot.area
pandas.DataFrame.plot.bar
pandas.DataFrame.plot.barh
pandas.DataFrame.plot.box
pandas.DataFrame.plot.density
pandas.DataFrame.plot.hexbin
pandas.DataFrame.plot.hist
pandas.DataFrame.plot.kde
pandas.DataFrame.plot.line
pandas.DataFrame.plot.pie
pandas.DataFrame.plot.scatter
pandas.DataFrame.boxplot
pandas.DataFrame.hist
pandas.DataFrame.sparse.density
pandas.DataFrame.sparse.from_spmatrix
pandas.DataFrame.sparse.to_coo
pandas.DataFrame.sparse.to_dense
pandas.DataFrame.from_dict
pandas.DataFrame.from_records
pandas.DataFrame.to_orc
pandas.DataFrame.to_parquet
pandas.DataFrame.to_pickle
pandas.DataFrame.to_csv
pandas.DataFrame.to_hdf
pandas.DataFrame.to_sql
pandas.DataFrame.to_dict
pandas.DataFrame.to_excel
pandas.DataFrame.to_json
pandas.DataFrame.to_html
pandas.DataFrame.to_feather
pandas.DataFrame.to_latex
pandas.DataFrame.to_stata
pandas.DataFrame.to_gbq
pandas.DataFrame.to_records
pandas.DataFrame.to_string
pandas.DataFrame.to_clipboard
pandas.DataFrame.to_markdown
pandas.DataFrame.style
pandas.DataFrame.__dataframe__
pandas arrays, scalars, and data types
Index objects
Date offsets
Window
GroupBy
Resampling
Style
Plotting
Options and settings
Extensions
Testing
Missing values
API reference
DataFrame
pandas.DataFrame.loc
pandas.DataFrame.loc#
property DataFrame.loc[source]#
Access a group of rows and columns by label(s) or a boolean array.
.loc[] is primarily label based, but may also be used with a
boolean array.
Allowed inputs are:
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 index).
A list or array of labels, e.g. ['a', 'b', 'c'].
A slice object with labels, e.g. 'a':'f'.
Warning
Note that contrary to usual python slices, both the
start and the stop are included
A boolean array of the same length as the axis being sliced,
e.g. [True, False, True].
An alignable boolean Series. The index of the key will be aligned before
masking.
An alignable Index. The Index of the returned selection will be the input.
A callable function with one argument (the calling Series or
DataFrame) and that returns valid output for indexing (one of the above)
See more at Selection by Label.
Raises:
KeyErrorIf any items are not found.
IndexingErrorIf an indexed key is passed and its index is unalignable to the frame index.
See also
DataFrame.atAccess a single value for a row/column label pair.
DataFrame.ilocAccess group of rows and columns by integer position(s).
DataFrame.xsReturns a cross-section (row(s) or column(s)) from the Series/DataFrame.
Series.locAccess group of values using labels.
Examples
Getting values
>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
... index=['cobra', 'viper', 'sidewinder'],
... columns=['max_speed', 'shield'])
>>> df
max_speed shield
cobra 1 2
viper 4 5
sidewinder 7 8
Single label. Note this returns the row as a Series.
>>> df.loc['viper']
max_speed 4
shield 5
Name: viper, dtype: int64
List of labels. Note using [[]] returns a DataFrame.
>>> df.loc[['viper', 'sidewinder']]
max_speed shield
viper 4 5
sidewinder 7 8
Single label for row and column
>>> df.loc['cobra', 'shield']
2
Slice with labels for row and single label for column. As mentioned
above, note that both the start and stop of the slice are included.
>>> df.loc['cobra':'viper', 'max_speed']
cobra 1
viper 4
Name: max_speed, dtype: int64
Boolean list with the same length as the row axis
>>> df.loc[[False, False, True]]
max_speed shield
sidewinder 7 8
Alignable boolean Series:
>>> df.loc[pd.Series([False, True, False],
... index=['viper', 'sidewinder', 'cobra'])]
max_speed shield
sidewinder 7 8
Index (same behavior as df.reindex)
>>> df.loc[pd.Index(["cobra", "viper"], name="foo")]
max_speed shield
foo
cobra 1 2
viper 4 5
Conditional that returns a boolean Series
>>> df.loc[df['shield'] > 6]
max_speed shield
sidewinder 7 8
Conditional that returns a boolean Series with column labels specified
>>> df.loc[df['shield'] > 6, ['max_speed']]
max_speed
sidewinder 7
Multiple conditional using & that returns a boolean Series
>>> df.loc[(df['max_speed'] > 1) & (df['shield'] < 8)]
max_speed shield
viper 4 5
Multiple conditional using | that returns a boolean Series
>>> df.loc[(df['max_speed'] > 4) | (df['shield'] < 5)]
max_speed shield
cobra 1 2
sidewinder 7 8
Please ensure that each condition is wrapped in parentheses ().
See the user guide
for more details and explanations of Boolean indexing.
Note
If you find yourself using 3 or more conditionals in .loc[],
consider using advanced indexing.
See below for using .loc[] on MultiIndex DataFrames.
Callable that returns a boolean Series
>>> df.loc[lambda df: df['shield'] == 8]
max_speed shield
sidewinder 7 8
Setting values
Set value for all items matching the list of labels
>>> df.loc[['viper', 'sidewinder'], ['shield']] = 50
>>> df
max_speed shield
cobra 1 2
viper 4 50
sidewinder 7 50
Set value for an entire row
>>> df.loc['cobra'] = 10
>>> df
max_speed shield
cobra 10 10
viper 4 50
sidewinder 7 50
Set value for an entire column
>>> df.loc[:, 'max_speed'] = 30
>>> df
max_speed shield
cobra 30 10
viper 30 50
sidewinder 30 50
Set value for rows matching callable condition
>>> df.loc[df['shield'] > 35] = 0
>>> df
max_speed shield
cobra 30 10
viper 0 0
sidewinder 0 0
Add value matching location
>>> df.loc["viper", "shield"] += 5
>>> df
max_speed shield
cobra 30 10
viper 0 5
sidewinder 0 0
Setting using a Series or a DataFrame sets the values matching the
index labels, not the index positions.
>>> shuffled_df = df.loc[["viper", "cobra", "sidewinder"]]
>>> df.loc[:] += shuffled_df
>>> df
max_speed shield
cobra 60 20
viper 0 10
sidewinder 0 0
Getting values on a DataFrame with an index that has integer labels
Another example using integers for the index
>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
... index=[7, 8, 9], columns=['max_speed', 'shield'])
>>> df
max_speed shield
7 1 2
8 4 5
9 7 8
Slice with integer labels for rows. As mentioned above, note that both
the start and stop of the slice are included.
>>> df.loc[7:9]
max_speed shield
7 1 2
8 4 5
9 7 8
Getting values with a MultiIndex
A number of examples using a DataFrame with a MultiIndex
>>> 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)
>>> 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
Single label. Note this returns a DataFrame with a single index.
>>> df.loc['cobra']
max_speed shield
mark i 12 2
mark ii 0 4
Single index tuple. Note this returns a Series.
>>> df.loc[('cobra', 'mark ii')]
max_speed 0
shield 4
Name: (cobra, mark ii), dtype: int64
Single label for row and column. Similar to passing in a tuple, this
returns a Series.
>>> df.loc['cobra', 'mark i']
max_speed 12
shield 2
Name: (cobra, mark i), dtype: int64
Single tuple. Note using [[]] returns a DataFrame.
>>> df.loc[[('cobra', 'mark ii')]]
max_speed shield
cobra mark ii 0 4
Single tuple for the index with a single label for the column
>>> df.loc[('cobra', 'mark i'), 'shield']
2
Slice from index tuple to single label
>>> 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
Slice from index tuple to index tuple
>>> 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
Please see the user guide
for more details and explanations of advanced indexing.
previous
pandas.DataFrame.iat
next
pandas.DataFrame.iloc
On this page
DataFrame.loc
Show Source
© 2024, pandas via NumFOCUS, Inc. Hosted by OVHcloud.
Created using Sphinx 7.2.6.
Built with the PyData Sphinx Theme 0.14.4.
如何在pandas中使用loc、iloc函数进行数据索引（入门篇） - 知乎
如何在pandas中使用loc、iloc函数进行数据索引（入门篇） - 知乎首发于数据分析：从入门到入行切换模式写文章登录/注册如何在pandas中使用loc、iloc函数进行数据索引（入门篇）弦桐韵韵光阴尚早，景色刚好...在数据分析过程中，很多时候我们需要从数据表中提取出我们需要的部分，而这么做的前提是我们需要先索引出这一部分数据。今天我们就来探索一下，如何在pandas中使用loc函数和iloc函数索引数据。今天我们直接从例子出发：import pandas as pd
import numpy as np
df = pd.DataFrame({'城市':['北京','广州', '天津', '上海', '杭州', '成都', '澳门', '南京'],
'收入':[10000, 10000, 5000, 5002, 40000, 50000, 8000, 5000],
'年龄':[50, 43, 34, 40, 25, 25, 45, 32]})
df.set_index([["一","二","三","四","五","六","七","八"]],inplace=True)
df一、使用loc函数索引数据（注意~loc函数主要通过 行标签 索引行数据）1、索引行标签是“一”的这一行数据df.loc["一"]2、我们再来看另一种情况：df.loc["一":"二"]是不是很好奇！为什么会输出两个结果，而不是“前闭后开”只输出一个结果呢？敲小黑板，这一点很重要了~使用loc函数，索引的是字符串，前后都要取，是属于“前闭后闭”的情况。3、索引“北京”这一个数据：可以看到，在这里我们通过指定行索引和索引，取到了“北京”这一数据。4、如何获取一个2*2的数据集（前两行前两列所交的四个数据为例）：5、索引“年龄”这一列数据：注意看了~对于列标签来说，上面这样用是不允许的。在索引行的时候可以这么用。正确的做法是:df.loc[:,"年龄"]要索引多列时也是一样的用法：df.loc[:,"城市":"收入"]二、使用iloc函数索引数据（注意~iloc函数主要通过 行号 索引行数据）而且，iloc函数索引的数据是int整型，因此是Python默认的前闭后开。注意只能说int型，也就是数字，输入字符的话是会报错的。1、利用iloc索引第一行：从上面三种表达，大家可以明确看到，iloc函数索引的是int型的数字，是属于前闭后开的。（注意~索引都是默认从0开始的~）2、利用iloc函数索引多行：假如这个时候我们想索引一下奇数行：可以看到，当我们直接输入行号时，是会报错的。正确的做法是：df.iloc[[0,2,4,6]]可以看到，在正确的做法中，我们需要键入一个列表，而不是一串数字~当然了，我们可以用更智能的方法：df.iloc[0:8:2]3、利用iloc函数索引多列：比如这个时候我们想索引一下收入列和年龄列，正确的做法是：df.iloc[:,1:3]或者是：df.iloc[:,[1,2]]4、利用iloc函数索引一个2*2的数据集：（前两行前两列所交的四个数据为例）df.iloc[[0,1],[0,1]]是不是和python的切片有点像呢?大家可不要将两者弄混了哦~忘记的同学可以看这里温习一下：以上便是<如何在pandas中使用loc、iloc函数进行数据索引（入门篇）>的内容，感谢大家的细心阅读，同时欢迎感兴趣的小伙伴一起讨论、学习，想要了解更多内容的可以看我的其他文章，同时可以持续关注我的动态~发布于 2020-03-05 22:25Pandas(Python)数据分析Python 入门赞同 958 条评论分享喜欢收藏申请转载文章被以下专栏收录数据分析：从入门
Pandas loc[] 查询数据行和列 - 知乎
Pandas loc[] 查询数据行和列 - 知乎首发于深入浅出Pandas切换模式写文章登录/注册Pandas loc[] 查询数据行和列盖若教师资格证持证人loc[] 是基于标签的数据选择方法，这意味着我们必须传递要选择的行或列的名称，按标签或布尔数组访问一组行和列，.loc[] 主要基于标签，但也可以与布尔数组一起使用。DataFrame 和 Series 都支持这个方法。开始前广告一下我的新书：DataFrame由于 DataFrame 有两个维度，所以用逗号分隔分别选取行和列的数据。功能图示图示如下：语法loc 是以 DataFrame 的属性形式存在的：property DataFrame.loc: pandas.core.indexing._LocIndexer对于 DataFrame 来说可以可以支持行和列两个元素:pandas.DataFrame.loc[row_lable, column_label]每个元素可以为以下形式：单个标签，例如 5 或 “A”（5 被解释为索引的标签，而不是索引上的整数自然位置）。标签的列表或数组，如 ['a', 'b', 'c']带有标签的切片对象，例如 'a':'f' (start 和 stop 都包含在内)与被切片轴长度相同的布尔数组，例如[True, False, True]一个索引与之对齐的布尔 Series可对齐的索引类型（Index），返回的选择的索引将作为输入一个带有一个参数（调用Series或DataFrame）的可调用函数，它返回有效的索引输出常用方法df.iloc 与 df.loc 相似，但只能用自然索引（行和列的 0 - n 索引），不能用标签。df.iloc[:3]
df.iloc[:]
df.iloc[:, [1, 2]]
df.iloc[2:20:3]
s.iloc[:3]如果想筛选多个不连续的行列数据（使用 np.r_），可以使用以下方法：# 筛选索引0-4&10&5-29每两行取一个&70-74
df.iloc[np.r_[:5, 10, 15:30:2, 70:75]] # 行
df.iloc[:, np.r_[0, 2:6]] # 列，0列和第2-5列
# 也可以使用追加的方式拼接
df.loc[:5].append(df.loc[10]).append(df.loc[15:30:2])案例相关案例如下：# 获取数据
df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
index=['cobra', 'viper', 'sidewinder'],
columns=['max_speed', 'shield'])
df
'''
max_speed shield
cobra 1 2
viper 4 5
sidewinder 7 8
'''单一标签，注意：这会将行作为一个序列返回。df.loc['viper']
'''
max_speed 4
shield 5
Name: viper, dtype: int64
'''标签列表，注意使用 [[]] 返回数据帧。df.loc[['viper', 'sidewinder']]
'''
max_speed shield
viper 4 5
sidewinder 7 8
'''行和列的单个标签：df.loc['cobra', 'shield']
# 2行标签切片，列用单个标签切片。如上所述，请注意，切片的开始和停止都包括在内。df.loc['cobra':'viper', 'max_speed']
'''
cobra 1
viper 4
Name: max_speed, dtype: int64
'''与行轴长度相同的布尔列表df.loc[[False, False, True]]
'''
max_speed shield
sidewinder 7 8
'''可对齐布尔 Series:df.loc[pd.Series([False, True, False],
index=['viper', 'sidewinder', 'cobra'])]
'''
max_speed shield
sidewinder 7 8
'''索引（与 df.reindex 行为相同）df.loc[pd.Index(["cobra", "viper"], name="foo")]
'''
max_speed shield
foo
cobra 1 2
viper 4 5
'''条件表达式返回布尔 Seriesdf.loc[df['shield'] > 6]
max_speed shield
sidewinder 7 8返回指定了列标签的布尔 Series 的条件df.loc[df['shield'] > 6, ['max_speed']]
'''
max_speed
sidewinder 7
'''可调用函数返回布尔 Seriesdf.loc[lambda df: df['shield'] == 8]
'''
max_speed shield
sidewinder 7 8
'''接下来我们看看设定值，修改数据。设置与标签列表匹配的所有项的值：df.loc[['viper', 'sidewinder'], ['shield']] = 50
df
'''
max_speed shield
cobra 1 2
viper 4 50
sidewinder 7 50
'''整行的设置值df.loc['cobra'] = 10
df
'''
max_speed shield
cobra 10 10
viper 4 50
sidewinder 7 50
'''设置整列的值df.loc[:, 'max_speed'] = 30
df
'''
max_speed shield
cobra 30 10
viper 30 50
sidewinder 30 50
'''为匹配可调用条件的行设置值df.loc[df['shield'] > 35] = 0
df
'''
max_speed shield
cobra 30 10
viper 0 0
sidewinder 0 0
'''获取具有整数标签的索引的 DataFrame 上的值，另一个使用整数作为索引的示例df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
index=[7, 8, 9], columns=['max_speed', 'shield'])
df
'''
max_speed shield
7 1 2
8 4 5
9 7 8
'''对行使用整数标签进行切片。如上所述，请注意，切片的开始和停止都包括在内。df.loc[7:9]
'''
max_speed shield
7 1 2
8 4 5
9 7 8
'''接下来看看使用多重索引（MultiIndex）获取值，使用带有多索引的 DataFrame 的示例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)
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
'''单一标签。注意这将返回一个带有单个索引的 DataFramedf.loc['cobra']
'''
max_speed shield
mark i 12 2
mark ii 0 4
'''单索引元组。注意，这将返回一个序列。df.loc[('cobra', 'mark ii')]
'''
max_speed 0
shield 4
Name: (cobra, mark ii), dtype: int64
'''行和列的单个标签。类似于传递元组，它返回一个序列。df.loc['cobra', 'mark i']
'''
max_speed 12
shield 2
Name: (cobra, mark i), dtype: int64
'''单元组。注意使用[[]]返回数据帧。df.loc[[('cobra', 'mark ii')]]
'''
max_speed shield
cobra mark ii 0 4
'''索引的单个元组，列的单个标签df.loc[('cobra', 'mark i'), 'shield']
# 2从索引元组切片到单个标签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
'''从索引元组到索引元组切片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
'''Series由于 Series 是一维的，因此，Series 使用 loc 时只需要传入一个元素，不能传入多个元素。与 iloc 的区别iloc[] 是一种基于自然索引的选择方法，这意味着我们必须在方法中传递整数索引才能选择特定的行/列。支持对象可以调用 loc[] 的对象还有以下对象：pandas.DataFrame.locpandas.Series.loc欢迎访问本书网页和 Pandas 在线教程：关注公众号：盖若（公号ID：gairuo），在上方网页中的作者联系方式中或知乎个人信息页，添加作者微信进行交流。发布于 2021-09-09 13:17Pandas(Python)Python查询赞同 3添加评论分享喜欢收藏申请转载文章被以下专栏收录深入浅出Pandas分享 Python 的入门进阶、数据处理和数
loc是什么意思_loc的翻译_音标_读音_用法_例句_爱词霸在线词典
什么意思_loc的翻译_音标_读音_用法_例句_爱词霸在线词典首页翻译背单词写作校对词霸下载用户反馈专栏平台登录loc是什么意思_loc用英语怎么说_loc的翻译_loc翻译成_loc的中文意思_loc怎么读,loc的读音,loc的用法,loc的例句翻译人工翻译试试人工翻译翻译全文loc释义abbr.通信线路 （Lines of Communication）地方；代码行; (俚)疯狂的n.(Loc)人名；(塞)洛茨；(越)禄大小写变形:LoCLOC点击 人工翻译，了解更多 人工释义实用场景例句全部Determine client's neurological status, including level of consciousness ( LOC ).评估病人循环系统状况, 包括 心尖 搏动、 心电图 和外周脉搏.互联网LOC is suitable for cleaning floors, bathrooms, kitchens and other household surfaces.适用于清洁地板 、 浴室 、 厨房及家具表面.互联网Loc and Wayne Rooney and Carlos Tevez also have a successful meet.c罗与鲁尼和特维斯也各有一次成功配合.互联网Wang Ping: I heard that China has two lOC committee mem - bers.王平: 听说中国有两名国际奥委会委员.互联网Our hypotheses concerning the personality traits of LOC and ambiguity intolerance were not supported.有关个性特征中控制范围和对意义含糊的话不能容忍的程度的假设不成立.互联网Conclusion Remifentanil or fentanyl given by TCI can decrease the Cp of propofol for LOC.结论tci瑞 芬太尼或芬太尼可增强异丙酚的镇静作用.互联网Using nylon leno - loc fabric , trim to match the template as shown drawing above.使用尼龙拉诺-禄布, 装饰画相匹配上面的模板中所示.互联网The current standard anti - G suit ( SGS ) does not provide optimum protection to counter this high + Gz.在高+Gz持续作用下,飞行员突然发生意识丧失 ( G-induced lossofconsciousness,G-LOC ) 的机率仍然较高,对高性能战斗机的安全飞行构成严重威胁.互联网收起实用场景例句释义实用场Pandas中loc和iloc函数用法详解（源码+实例）_python中iloc函数的用法-CSDN博客
>Pandas中loc和iloc函数用法详解（源码+实例）_python中iloc函数的用法-CSDN博客
Pandas中loc和iloc函数用法详解（源码+实例）
最新推荐文章于 2024-01-12 10:00:00 发布
置顶
VIP文章
我是二师兄
最新推荐文章于 2024-01-12 10:00:00 发布
阅读量10w+
收藏
1.4k
点赞数
353
分类专栏：
python
Python数据分析
机器学习算法
文章标签：
iloc
loc
iat
at
dataframe
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/W_weiying/article/details/81411257
版权
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(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('ABCD'))
In[1]: data
Out[1]:
A B C D
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
d 12 13 14 15
#取索引为'a'的行
In[2]: data.loc['a']
Out[2]:
A 0
B 1
C 2
D 3
#取第一行数据，索引为'a'的行就是第一行，所以结果相同
In[3]: data.iloc[0]
Out[3]:
A 0
B 1
C 2
D 3
2. 利用loc、iloc提取列数据
最低0.47元/天 解锁文章
优惠劵
我是二师兄
关注
关注
353
点赞
踩
1455
收藏
觉得还不错?
一键收藏
知道了
35
评论
Pandas中loc和iloc函数用法详解（源码+实例）
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 npimport pandas as pd#创建一个Dataframedata=pd.DataFrame(...
复制链接
扫一扫
专栏目录
35 条评论
您还未登录，请先
登录
后发表或查看评论
详解pandas DataFrame的查询方法（loc,iloc,at,iat,ix的用法和区别）
09-18
主要介绍了详解pandas DataFrame的查询方法（loc,iloc,at,iat,ix的用法和区别），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
pandas数据查询——loc各种用法
最新发布
2302_80061155的博客
01-12
610
pandas数据查询之loc的各种用法，包括查询某行某列，查询多列，日期查询以及多条件查询
详谈Pandas中iloc和loc以及ix的区别
09-20
今天小编就为大家分享一篇详谈Pandas中iloc和loc以及ix的区别，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
Pandas中loc和iloc函数用法
qq_36201400的博客
09-24
5914
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）
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(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('ABCD'))
In[1]: data
Out[
对pandas中apply函数的用法详解
09-20
下面小编就为大家分享一篇对pandas中apply函数的用法详解，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
iloc[ ]函数（Pandas库）
热门推荐
Fwuyi的博客
02-25
13万+
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...
Pandas经典用法：数据筛选之iloc和loc
Python学习与数据挖掘
11-08
3万+
Pandas 是一套用于 Python 的快速、高效的数据分析工具。它可以用于数据挖掘和数据分析，同时也提供数据清洗功能。本篇目录如下：
一、iloc
1.定义
iloc索引器用于按位置进行基于整数位置的索引或者选择。
2.语法
df.iloc [row selection, column selection]
3.代码示例
（1）导入数据
（2）选择单行或单列
（3）选择多行或多列
（4）注意
iloc选择一行时返回Series，选择多行返回DataFrame，通过传递列表可转为DataFram
Python学习.iloc和.loc区别、联系与用法
weixin_42424208的博客
11-24
4万+
python之loc和iloc详细解释
第二课丨学会区分iloc和loc切割数据☀
qq_70663329的博客
03-05
1534
iloc和loc函数的介绍，使用，以及使用的例子。同时对波士顿房价的数据进行切割学习。
详解pandas中iloc, loc和ix的区别和联系
12-20
Pandas库十分强大，但是对于切片操作iloc, loc和ix，很多人对此十分迷惑，因此本篇博客利用例子来说明这3者之一的区别和联系，尤其是iloc和loc。 对于ix，由于其操作有些复杂，我在另外一篇博客专门详细介绍ix。 ...
python pandas.DataFrame.loc函数使用详解
09-17
主要介绍了python pandas.DataFrame.loc函数使用详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
【python数据分析基础】—pandas中loc()与iloc()的介绍与区别
sodaloveer的博客
09-20
4202
pandas中loc()与iloc()的介绍与区别
python中iloc的详细用法_Pandas中loc和iloc函数用法详解（源码+实例）
weixin_39937412的博客
12-03
1万+
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 npimport pandas as pd#创建一个Dataframedata=pd.DataFrame(np.arange(16)...
python的iloc用法
weixin_42591413的博客
02-12
2806
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...
Python——iloc的用法（最简单）
程序猿进化梯
10-19
3万+
iloc[ : , : ] 行列切片以“，”隔开，前面的冒号就是取行数，后面的冒号是取列数
索引为左闭右开
示例：
参考：
iloc与loc区别
iloc的用法
【Python】pandas中的loc函数
Badme
05-06
2万+
【Python】pandas中的loc函数
pandas库的loc和iloc函数
09-27
.loc函数和.iloc函数是Pandas库中用于数据选取的两个重要函数。.loc函数是基于标签索引来选取数据的，而.iloc函数是基于整数索引来选取数据的。
下面是使用.loc函数和.iloc函数的示例代码：
```
import pandas as pd
import numpy as np
# 使用.loc函数
df = pd.DataFrame(np.random.randn(8, 4), index=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'], columns=['A', 'B', 'C', 'D'])
print(df.loc[['a', 'b', 'f', 'h'], ['A', 'C']])
# 使用.iloc函数
df = pd.DataFrame(np.random.randn(8, 4), columns=['A', 'B', 'C', 'D'])
print(df.iloc[[1, 3, 5], [1, 3]])
print(df.iloc[1:3, :])
print(df.iloc[:, 1:3])
```
“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
我是二师兄
CSDN认证博客专家
CSDN认证企业博客
码龄7年
暂无认证
49
原创
8万+
周排名
137万+
总排名
100万+
访问
等级
4369
积分
319
粉丝
687
获赞
98
评论
2848
收藏
私信
关注
热门文章
Pandas中loc和iloc函数用法详解（源码+实例）
375266
Pandas: Drop函数（Dataframe删除指定行列）
123138
Numpy中reshape函数、reshape(1,-1)的含义(浅显易懂，源码实例)
63051
Pandas 中Dataframe数据插入： Insert函数 详解
55512
python数据分析-DataFrame数据框常用基本知识（列、行、切片、计算等code）
27643
分类专栏
PYTHON之数据分析
29篇
MYSQL数据库学习指南针
5篇
机器学习与可视化
python
26篇
Python数据分析
37篇
机器学习算法
6篇
MYSQL
5篇
Tableau
1篇
最新评论
CSDN怎么获取下载积分
nyaru286:
说发15个字的评论能获得一次积分，不知道是不是真的，所以在这里试一下，看看能不能行，这积分真的是太难弄
CSDN怎么获取下载积分
fyqm:
发15个字的评论能获得一次积分，不知道是不是真的，所以在这里试一下，看看能不能行，这积分真的是太难弄了
Numpy中reshape函数、reshape(1,-1)的含义(浅显易懂，源码实例)
小某184:
终于搞懂了，谢谢！
Pandas数据去重：drop_duplicates函数详解
江 东:
对· 这个应该是写错了
Pandas中loc和iloc函数用法详解（源码+实例）
Natalie Ting:
感謝你
您愿意向朋友推荐“博客详情页”吗？
强烈不推荐
不推荐
一般般
推荐
强烈推荐
提交
最新文章
Python字符串：join与format函数
Numpy中concatenate与tile函数详解
Numpy中vstack与hstack函数源码
2019年5篇
2018年44篇
目录
目录
分类专栏
PYTHON之数据分析
29篇
MYSQL数据库学习指南针
5篇
机器学习与可视化
python
26篇
Python数据分析
37篇
机器学习算法
6篇
MYSQL
5篇
Tableau
1篇
目录
评论 35
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
祝福语
请填写红包祝福语或标题
红包数量
个
红包个数最小为10个
红包总金额
元
红包金额最低5元
余额支付
当前余额3.43元
前往充值 >
需支付：10.00元
取消
确定
下一步
知道了
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
Pandas中的loc函数|极客教程
Pandas中的loc函数|极客教程
极客教程
基础编程
C语言C++语言C++ 多线程ShellPerlLeetCodeC#
前端开发
HTMLBootstrapJavaScript 参考手册WebSocketMarkdownreact
后端开发
数据库管理系统SQLMySQLMongoDBRedis命令
Python开发
PythonNumpyMatplotlibScrapyPandasPyTorchtkinterpygamePyGTKTurtle
Java开发
JavaSpringSpring BootJSPServletGuava
大数据
大数据HDFSMapReduceYarnHiveSparkHBaseStormSpark StreamingFlinkZooKeeper
人工智能
机器学习深度学习数学基础线性代数TensorflowKerasscikit-learn
移动开发
AndroidFlutterKotlin
图形图像
OpenCV
开发工具
VSCodeGitGithub
当前位置：极客教程 > Pandas > Pandas 问答 > Pandas中的loc函数
Pandas中的loc函数
Pandas中的loc函数
在本文中，我们将介绍Pandas数据分析库中常用的loc函数。loc函数是一个十分强大而且常用的函数，通过它可以以各种方式从数据帧（DataFrame）中访问元素。这篇文章将会让你了解到loc函数的基本用法和一些常见应用。
阅读更多：Pandas 教程
基本用法
Pandas中的loc函数可以用来按行（行标签）和列（列标签）访问数据帧中的值。要使用loc函数，我们需要用Dataframe.loc[]方法来访问数据。下面是一个示例代码：
import pandas as pd
data = pd.read_csv("data.csv")
# 选择所有行和第一列
result = data.loc[:, 'column_one']
# 选择所有行和第一列到第五列
result = data.loc[:, 'column_one':'column_five']
# 选择所有行和两列
result = data.loc[:, ['column_one', 'column_two']]
在上面的代码中，第一行代码读取csv文件中的数据，然后我们用loc函数选择了不同的行和列。通过loc函数的冒号（:）操作符，我们可以访问所有行和特定列。注意第三个示例，要选择多列时需要将列名作为一个列表传递给loc函数。
按条件访问
另一个loc函数的强大之处在于按照条件访问数据。比如我们可以选择数据中年龄大于20岁的人物数据。下面是一个示例代码：
# 选择所有大于20岁的数据
result = data.loc[data['age'] > 20]
在这个示例中，我们使用loc函数传递一个布尔数组（data[‘age’] > 20）作为参数来访问数据，该数组是按照条件生成的。
多个条件查询
在上个示例中我们仅使用了一个条件查询，但是在实际应用中，我们经常需要多个条件查询来获取更加精准的数据。你可以使用“&”和“|”符号分别表示“and”和“or”逻辑。下面是一个示例代码：
# 选择所有年龄在20~30岁之间并且性别为女性的数据
result = data.loc[(data['age'] > 20) & (data['age'] < 30) & (data['sex'] == 'Female')]
在这个示例中，我们使用了三个条件，来筛选年龄在20到30岁范围内，且性别为女性的数据。
iloc函数和loc函数
除了地理坐标(loc)之外，还有数字坐标(iloc)。iloc函数使用整数位置来访问数据，而loc函数使用标签。下面是一个示例代码：
# 使用iloc来获取第一行和第一列的数据
result = data.iloc[0, 0]
性能优化技巧
如果数据是很大的话，在处理数据时和运行中速度可能会变得比较慢。 这时候，我们需要一些优化技巧来快速获取所需的数据。下面是一些常见的优化技巧：
尽量使用索引切片而非loc或iloc函数，因为使用索引切片可以直接获取到numpy数组，而loc/iloc函数得到的是Dataframe对象
用values属性获取numpy数组然后处理，因为numpy的数组比pandas的对象要快速
如果需要使用多个条件查询，可以通过设定索引让查询变得更加高效，例如：df.set_index(‘column_name’, inplace=True)
总结
在这篇文章中，我们讲解了Pandas数据分析库中loc函数的基本用法和一些常见应用。loc函数的强大之处在于按照条件访问数据和多个条件查询数据。除此之外，我们还介绍了iloc函数和一些性能优化技巧，希望这些内容能够对你在数据分析和处理时有所帮助。如果想深入学习Pandas数据分析库，可以查看官方文档中的详细信息。
上一篇 Pandas Error: The truth value of a Series is ambiguous – Python pandas错误
下一篇 Pandas中的未知值处理与标签编码
Python教程
Python 教程
Tkinter 教程
Pandas 教程
NumPy 教程
Flask 教程
Django 教程
PySpark 教程
wxPython 教程
SymPy 教程
Seaborn 教程
SciPy 教程
RxPY 教程
Pycharm 教程
Pygame 教程
PyGTK 教程
PyQt 教程
PyQt5 教程
PyTorch 教程
Matplotlib 教程
Web2py 教程
BeautifulSoup 教程
Java教程
Java 教程
Web教程
HTML 教程
CSS 教程
CSS3 教程
jQuery 教程
Ajax 教程
AngularJS 教程
TypeScript 教程
WordPress 教程
Laravel 教程
Next.js 教程
PhantomJS 教程
Three.js 教程
Underscore.JS 教程
WebGL 教程
WebRTC 教程
VueJS 教程
数据库教程
SQL 教程
MySQL 教程
MongoDB 教程
PostgreSQL 教程
SQLite 教程
Redis 教程
MariaDB 教程
图形图像教程
Vulkan 教程
OpenCV 教程
大数据教程
R语言 教程
开发工具教程
Git 教程
VSCode 教程
Docker 教程
Gerrit 教程
Excel 教程
计算机教程
Go语言 教程
C++ 教程
Pandas 精品教程Python Pandas 教程Python Pandas 简介Python Pandas 环境搭建Python Pandas 数据结构简介Python Pandas SeriesPython Pandas DataFramePython Pandas 面板（Panel）Python Pandas 基本功能Python Pandas 描述性统计Python Pandas 函数应用Python Pandas 重新索引Python Pandas 迭代Python Pandas 排序Python Pandas 处理文本数据Python Pandas 选项和定制Python Pandas 索引和选择数据Python Pandas 统计函数Python Pandas 窗口函数Python Pandas 聚合函数Python Pandas 缺失数据Python Pandas GroupByPython Pandas 合并/连接Python Pandas 连接joinPython Pandas 日期功能Python Pandas TimedeltaPython Pandas 分类数据Python Pandas 数据可视化Python Pandas IO工具Python Pandas 稀疏数据Python Pandas Caveats警告 & Gotchas预见Python Pandas 与SQL的比较
文章目录Pandas中的loc函数基本用法按条件访问多个条件查询iloc函数和loc函数性能优化技巧总结
© 2024 极客教程 备案号：蜀ICP备11026280号-10
友情链接：极客笔记 |Matplotlib Tutorials | CSS Tutorials| Numpy Where
回顶回顶部