pandas 中关于loc跟iloc总结

最新推荐文章于 2024-06-19 21:57:33 发布
最新推荐文章于 2024-06-19 21:57:33 发布
阅读量3.4k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 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.youkuaiyun.com/CZ626626/article/details/78806585
本文详细对比了Pandas中loc与iloc两种索引方法的区别，包括它们如何处理行与列的数据选取，以及使用时需要注意的具体细节。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、两者对行的处理区别
pandas.loc[1:5] 跟pandas.loc[0:4] 取出来的数据是一样的，这是因为，它是先对数据给定标签，pandas.loc[1:5]是指从1开始给定标签，pandas.loc[0:4]是指从0开始给定标签。

同理：pandas.iloc[1:5] 也是一样的。
两者在这里的区别是：pandas.loc[1:5]是从1到5行数据 ， pandas.iloc[1:5]是从1到4行数据。

2、两者对列的处理
pandas.loc对列是不可以切割的。他只能根据列名来取列数据；如：pandas.loc[1:5，’列名’]
但是pandas.iloc可以不用指定列名，如pandas.iloc[1:5,1] 是指取出第一列数据。
注意：这里pandas.iloc对列进行位置切割，开始位置为第一列之前，指定其为0，如：pandas.iloc[1:5,0:1]是指从位置为0跟1的地方切片，取出数据，即为第一列数据，pandas.iloc[1:5,1:2] 是指从位置为1跟2的地方切割，即为第二列数据。

DataFrame中.iloc 属性
Frost_Descent的博客
06-10 1253
iloc是 Pandas 库中 DataFrame 和 Series 对象的一个属性，用于基于整数位置的索引来选择数据。与基于标签的.loc索引不同，.iloc使用从 0 开始的整数位置来访问行和列。这对于处理需要按位置而不是按标签选择数据的场景非常有用。
介绍一个在数据分析中常用的函数：data.iloc[]
2301_78420308的博客
04-29 3219
是 Python 中 pandas 库的一个非常有用的功能，它允许你通过行和列的整数位置索引来选择数据。iloc是 “integer location” 的缩写，意味着你可以通过指定行和列的整数索引来选择数据，而不是使用标签。以下是一些使用选择单个元素使用来选择特定的元素。element = data.iloc[0, 1] # 选择第1行第2列的元素选择一行使用来选择第i行的所有列。row = data.iloc[2, :] # 选择第3行的所有列选择一列使用来选择第j列的所有行。
Pandas 数据中的loc与iloc含义以及操作
qq_42336581的博客
11-25 9176
pandas 中必回的数据操作，loc，iloc，可以是操作数据变得更简单
Pandas数据选取中df[]、df.loc[]、df.iloc[]、df.at[]、df.iat[]的区别及用法
金戈鐡馬
03-26 1万+
　　Pandas是作为Python数据分析著名的工具包，提供了多种数据选取的方法，方便实用。本文主要介绍Pandas的几种数据选取的方法。 　　Pandas中，数据主要保存为Dataframe和Series是数据结构，这两种数据结构数据选取的方式基本一致，本文主要以Dataframe为例进行介绍。 　　在Dataframe中选取数据大抵包括3中情况： 　　1）行（列）选取（单维度选取）：df[]。这种情况一次只能选取行或者列，即一次选取中，只能为行或者列设置筛选条件
【Pandas】关于iloc函数的用法解析
weixin_43941438的博客
05-05 5147
属性基于整数位置进行索引，而不是标签索引，因此它不受 DataFrame 或 Series 中索引标签的类型和名称的影响。如果需要基于标签进行索引，应该使用。是一种用于基于整数位置进行索引的属性，可以用于获取 DataFrame 或 Series 中的数据。在 Pandas 中，
pandas取出某一列_机器学习Pandas数据处理手册
weixin_39979159的博客
11-22 4690
前言：在学习机器学习的过程中，对数据进行预处理时避免不了需要使用Pandas进行大量操作。而Pandas的方法与对象众多，一条一条不好记。因此在这里从八个方面试图对用到的Pandas方法进行总结，在以后使用时可以直接查表。注：下面df均为DataFrame的缩写。另外也会陆续更新一些常用的机器学习操作，例如缺省值的处理等。一：基本核心部件：DataFrame与Series DataFrame相当于...
pandas中的loc和iloc
坚持自己的梦想
06-19 1000
pandas中的loc和iloc使用
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(...
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中loc、iloc、at、iat的区别
NDF923的专栏
04-25 539
废话不多说，直接上代码。
Python模块Pandas数据切片 -- 详解loc和iloc区别
wodertianna的博客
06-13 703
在Pandas库中，`iloc`和`loc`是用于选择DataFrame或Series中数据的两种主要方法。尽管它们的目的相似，但它们的用法和基于的索引类型有着显著的区别。
python数据分析最基本的库_Python数据分析库pandas基本操作方法_python
weixin_39684960的博客
11-23 385
下面就为大家分享一篇Python数据分析库pandas基本操作方法，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pandas是什么？是它吗？。。。。很显然pandas没有这个家伙那么可爱。。。。我们来看看pandas的官网是怎么来定义自己的：pandas is an open source, easy-to-use data structures and data analysis to...
Pandas中loc和iloc函数（提取某几列或者行的数据）
Drug discovery
04-21 7万+
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=
5分钟学会Pandas中iloc/loc/ix区别
python爬虫人工智能大数据
04-01 1405
早起python点关注和我一起学Python大家好，在使用pandas进行数据分析过程中，回想一下你是怎么对一个数据集进行数据切片，是不是百度：pandas如何提取第x行数据，然后根...
Pandas的 loc iloc ix 区别
imlpf的专栏
08-11 3万+
import pandas as pd data = [[1,2,3],[4,5,6]] index = [0,1] columns=['a','b','c'] df = pd.DataFrame(data=data, index=index, columns=columns) 1. loc——通过行标签索引行数据 df.loc[1] ''''' a 4 b
Python:loc和iloc的区别
牛仔一灯的博客
10-29 9万+
loc和iloc的区别 pandas以类似字典的方式来获取某一列的值，比如df[‘A’]，这会得到df的A列。如果我们对某一行感兴趣呢？这个时候有两种方法，一种是iloc方法，另一种方法是loc方法。loc是指location的意思，iloc中的i是指integer。这两者的区别如下： loc：works on labels in the index. iloc：works on the posi...
Pandas——ix vs loc vs iloc区别
tech_girl的博客
02-10 488
1. loc——通过行标签索引行数据 1.1 loc[1]表示索引的是第1行（index 是整数） [python] view plain copy  print? import pandas as pd   data = [[1,2,3],[4,5,6]]   index = [0,1]   columns=['a','b','c']
pandas中iloc和loc的区别和用法
macan的博客
01-13 2965
pandas中iloc和loc的区别和用法 from 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。 利用loc、iloc提取行数据 import numpy as np im...
pandas中loc和iloc
最新发布
03-20
<think>嗯，用户想了解Pandas中loc和iloc的区别和使用场景。首先我得回忆一下这两个方法的区别。我记得loc是基于标签的索引，而iloc是基于整数位置的索引。不过具体怎么区分呢？可能需要详细说明它们的用法，比如loc使用行或列的标签，而iloc使用位置索引，从0开始。 然后，用户可能需要例子来理解。比如，当用loc选择某一行时，需要传入行标签，而iloc则需要传入行号。比如df.loc["Adam"]和df.iloc[0]这样的例子。但要注意，如果索引不是默认的整数，而是自定义的标签，这时候iloc还是按照位置来选，不管索引标签是什么。 接下来，切片的不同。loc的切片是包含结束标签的，而iloc的切片不包含结束位置，这和Python的列表切片一样。比如df.loc['A':'C']会选A到C的行，而df.iloc[0:2]选的是0和1行。这个容易搞错，需要强调。 布尔索引方面，两者都可以用，但loc可能更直观，因为可以直接用条件表达式。比如df.loc[df['age'] > 30]。不过iloc的话可能需要结合其他方法，比如先得到布尔数组，再用位置索引，不过这种情况可能不太常见。 组合行列选择的时候，loc和iloc都可以接受两个参数，先行后列。比如df.loc[:, 'name':'age']选择所有行，列从name到age。而iloc则是用列的位置，比如df.iloc[:, 0:2]选择前两列。 使用场景的话，loc适合已知标签的情况，比如处理有时间戳索引的数据，或者有明确标识的行列。iloc适合按位置处理，尤其是当索引没有特定意义或者需要按顺序访问时。比如处理没有明确标签的数据集，或者需要循环遍历的时候。 可能还需要提到性能方面，虽然大多数情况下差异不大，但iloc可能稍微快一点，因为基于位置的操作更直接。不过这个可能不是主要考虑因素，除非处理非常大的数据。 用户提供的引用资料里提到loc和iloc的说明，比如引用[2]中的.loc[]基于标签，.iloc[]基于整数索引。还有引用[3]中的例子，df.loc["Adam"]返回对应行的数据。这些可以作为参考，整合到回答中。 最后，生成相关问题的时候，要考虑用户可能进一步的问题，比如如何组合使用、如何处理错误、性能比较，以及实际应用的例子等。这样可以帮助用户更全面地理解这两个方法的应用。</think>### Pandas中loc与iloc的区别及使用场景详解 在Pandas中，`loc`和`iloc`是两种核心的索引方法，但它们的行为和适用场景有显著差异。以下从**语法规则**、**索引类型**、**切片行为**等角度详细对比： --- #### 一、核心区别 1. **索引类型** - `loc`：基于**标签（Label）**的索引，需传入行/列的**名称**（如字符串或时间戳）。 *示例*：`df.loc["Adam", "Age"]` 表示选择行标签为`Adam`、列标签为`Age`的值[^3]。 - `iloc`：基于**整数位置（Integer Position）**的索引，需传入行/列的**序号**（从0开始）。 *示例*：`df.iloc[0, 1]` 表示选择第1行、第2列的值[^2]。 2. **切片行为** - `loc`：切片**包含结束标签**。例如`df.loc["A":"C"]`会选取标签为`A`、`B`、`C`的所有行。 - `iloc`：切片**不包含结束位置**，遵循Python列表的规则。例如`df.iloc[0:2]`仅选取第0行和第1行[^1]。 3. **布尔索引支持** - 两者均可通过布尔数组筛选数据，但`loc`更直观： ```python # 使用loc筛选年龄大于30的行 df.loc[df["Age"] > 30] ``` --- #### 二、使用场景对比 | **场景** | **推荐方法** | **示例** | |-----------------------|--------------|-----------------------------------| | 按明确标签筛选数据 | `loc` | `df.loc[:, "Name":"Age"]` | | 按位置顺序访问数据 | `iloc` | `df.iloc[0:5, :]` | | 混合标签和位置索引 | 结合使用 | `df.loc[df.index[0:3], "Score"]` | | 动态生成索引条件 | `iloc` | `df.iloc[np.where(scores > 90)]` | --- #### 三、代码示例 ```python import pandas as pd data = { "Name": ["Alice", "Bob", "Charlie"], "Age": [25, 30, 35], "Score": [85, 90, 95] } df = pd.DataFrame(data, index=["A", "B", "C"]) # 使用loc选择行标签为"A"的行和列标签为"Name"到"Age"的列 print(df.loc["A", "Name":"Age"]) # 输出：Name: Alice, Age: 25 # 使用iloc选择第0行和第1列 print(df.iloc[0, 1]) # 输出：25 # 混合使用：通过iloc获取位置索引，再用loc筛选 subset = df.iloc[0:2] print(subset.loc[:, "Score"]) # 输出：A:85, B:90 ``` --- #### 四、注意事项 1. **索引越界问题**：`iloc`对超出数据范围的位置会直接报错，而`loc`会返回空值。 2. **性能差异**：`iloc`通常略快于`loc`，因无需解析标签，但差异在小型数据中可忽略。 3. **避免链式赋值**：如`df.loc[...][...] = value`可能导致未预期的行为，推荐使用单次赋值。 ---
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