pandas-DataFrame行列访问

最新推荐文章于 2025-03-20 09:07:44 发布
最新推荐文章于 2025-03-20 09:07:44 发布
阅读量7.7k 收藏 29
点赞数 7
分类专栏： Python 文章标签： python 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.youkuaiyun.com/MicoOu/article/details/103828499
版权
本文详细介绍了pandas DataFrame的行列访问方法，包括访问单列、多列、单行、多行，以及如何获取单元格的值。强调了使用loc和iloc的区别，以及如何通过布尔数组和标签索引进行精确操作。

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

目录

1.DataFrame概念

DataFrame可以理解为是由一个或多个不同数据类型的Series组成，DataFrame的一列其实就是一个Series。
DataFrame包括三部分：

  1. index行索引
  2. columns列索引
  3. values值
    在这里插入图片描述

2.DataFrame行列访问

在这里插入图片描述

2.1 访问一列，多列

在这里插入图片描述

2.2 访问一行，多行

在这里插入图片描述

2.3 访问某几行中的某几列

若要修改单元格中的值，推荐使用如下方式：
df.loc[行标签索引，列标签索引]
df.lo

最低0.47元/天 解锁文章
使用Python访问Dataframe中的单个或多个数据列
持续更新
04-24 338
在Dataframe中，我们可以使用列名称或者列名称列表来访问单个或多个数据列。除了使用列名称之外，我们还可以使用iloc[]函数来通过列名称列表索引来访问数据列。需要注意的是，当我们访问多个数据列时，必须使用双层方括号。需要注意的是，在使用iloc[]函数时，我们需要指定行索引（即“:”表示所有行），并将列索引作为一个列表传递给函数。接下来，我们可以使用Dataframe的列名称来访问单个数据列。通过这些简单的方法，我们可以轻松地访问Dataframe中的单个或多个数据列，从而更加高效地处理和操纵数据。
使用Python中的Pandas库，我们可以轻松地访问和操作数据框的列。本文将介绍如何通过列名称或列索引访问数据框中的单个列或多个列。
ByteLegend的博客
09-04 227
通过上述方法，我们可以方便地访问数据框中的单个列或多个列。无论是使用列名称还是列索引，Pandas库都提供了灵活的方式来操作数据框的列，使我们能够轻松地进行数据分析和处理。使用Python中的Pandas库，我们可以轻松地访问和操作数据框的列。本文将介绍如何通过列名称或列索引访问数据框中的单个列或多个列。要访问数据框的多个列，我们可以将列名称或列索引作为列表传递给数据框的方括号操作符。然后，我们分别使用这两个列表通过列名称和列索引访问了数据框的多个列，并将结果存储在。然后，我们打印了这两个列的内容。
Dataframe 按照行访问数据
aoxue_bai的博客
08-17 1729
假设数据 data 是dataframe对象 arr = [[1,2,3][4,5,6]] data = pd.Dateframe(data = arr, colemns=["A","B"]) 实现按照行访问数据（不必对列"A"构建索引 ）： data.loc[data["A"] == 1]["B"] import pandas as pd arr = [[1,2,3][4,5,6]]...
Python---数据分析(Pandas七:二维数组DataFrame中元素的索引与访问，其他常用方法)
最新发布
weixin_64110589的博客
03-20 1293
在Pandas中，DataFrame是用于处理二维表格数据的核心结构。访问DataFrame中的元素主要通过标签索引（.loc）和位置索引（.iloc）。`.loc`允许你使用行和列的标签来选择数据，而`.iloc`则使用基于零的整数索引。此外，Pandas还提供了许多其他常用方法，如`.head()`和`.tail()`用于查看数据的头部和尾部，`.describe()`用于获取描述性统计信息，`.sort_values()`用于排序，`.groupby()`用于分组等，这些方法极大地简化了数据分析和处理
Pandas DataFrame loc []访问一组行和列
从零开始的教程世界
07-19 2195
Pandas DataFrame loc[] allows us to access a group of rows and columns. We can pass labels as well as boolean values to select the rows and columns. Pandas DataFrame loc []允许我们访问一组行和列。 我们可以传递标签以及布尔值来选...
访问DataFrame行列索引(index,columns)
缘 源 园
02-09 5619
读取文件 import pandas as pd movie= pd.read_csv('movie.csv') 提取列索引 columns = movie.columns columns #显示结果 Index(['Rank', 'Title', 'Genre', 'Description', 'Director', 'Actors', 'Year', 'Runtime (Minutes)', 'Rating', 'Votes', 'Revenue (Millions)', .
pandas中的loc函数和iloc函数访问行数据
爱笑的草莓酱
08-22 521
使用pandas时，经常使用loc函数或者iloc函数进行行数据的访问，那么二者的区别和需要注意的点就总结一下吧～
pandas DataFrame索引行列的实现
09-19
### pandas DataFrame索引行列的实现 在Python的数据分析领域中，`pandas`是一个不可或缺的库，它提供了灵活高效的数据结构以及数据分析工具。其中DataFrame是`pandas`中最常用的数据结构之一，它类似于二维表格，...
Pandas入门篇（二）-------Dataframe篇1（Dataframe基础知识以及单个Dataframe的处理）（机器学习前置技术栈）
2301_77539454的博客
04-23 2889
本篇主要演示了Dataframe 属性、Dataframe 创建、Pandas 读取和保存数据、Dataframe 数据的选择、Dataframe 的常用方法、Dataframe 修改行列索引等内容，更多知识点请期待下期
pandas ---- pd.DataFrame基本用法
smalltorch的博客
06-14 5896
本部分主要介绍一些注意事项。另外，series是基础，好多用法都是series扩展一下，很类似的。pandas的一些常见用法已经写的很详细了，后面还会继续慢慢完善该博客。
pandas Dataframe行列读取的实例
09-20
在处理数据分析和处理时，Python的pandas库提供的DataFrame数据结构是一个非常有用的工具。它能够让我们以表格形式存储并操作数据，这对于数据科学和金融分析等领域的研究者来说是非常重要的。在本篇实例中，将重点...
pandas读取excel的方式介绍、行列元素访问以及读取数据后使用matplotlib画折线图
热门推荐
非晚非晚的博客
01-06 4万+
pandas是基于Numpy创建的Python包，内置了大量标准函数，能够高效地解决数据分析数据处理和分析任务，pandas支持多种文件的操作，比如Excel，csv，json，txt 文件等，读取文件之后，就可以对数据进行各种清洗、分析操作了。下面我们这里介绍一下如何使用pandas读取excel文件，以及使用它结合matplotlib进行画图。
pandas获取指定数据的行和列
CDA数据分析师
12-18 2332
在使用Pandas库进行数据分析时，高效地获取DataFrame中指定的行和列是至关重要的一项技能。Pandas提供了多种方法来满足这一需求，其中loc和iloc索引器是最常用且功能强大的工具。本文将详细介绍如何使用这些方法，并通过示例代码展示其实际应用。
DataFrame的2种访问
2403_84491977的博客
09-18 335
在 Pandas 中，是一种非常常见的数据访问方式，用于从DataFrame中选择特定的列。这里的df代表一个DataFrame对象，而是你想要访问的列的名称。
Pandas：DataFrame的行列操作
bqw的博客
04-13 5348
import numpy as np import pandas as pd from pandas import Series,DataFrame data = {'数量':[3,2,5], '价格':[10,9,8]} 一、创建时指定行和列索引及其顺序 在指定列索引时，若该列不存在，则初始化该列为NaN df = DataFrame(data,columns=['品...
pandas 读取行列的心得
weixin_43351935的博客
09-10 929
首先读取文件，因为文件有汉字，所以用open的方法打开 读取第一列 读取第一列
pandas 使用loc和iloc读取行数据或列数据
不忘初欣丶的博客
04-13 4005
pandas 使用loc和iloc读取数据
DataFrame 的访问：[]选择列，[[]]选择多列，loc[]选择行，loc[[]]选择多行，iloc[],at[]，iat[]，ix[]，loc[]行列切片，布尔选择
ycyrym的博客
03-25 2万+
http://liao.cpython.org/pandas10/ []选择列：DataFrame使用了[ ]则是选择了一个字段所有数据即一列，而Series则是会得到某行的数据。 val = np.arange(10,40).reshape(10,3) idx = 'ax bx cx'.split() df1 = pd.DataFrame(val,columns = idx) df1['a...
python - pandas 之 dataframe - 行列筛选/遍历/新增/删除/连接/合并/修改/跨表update
开码河粉
05-28 1万+
1.dataframe遍历或迭代 list1=[['B1','2019-12-01',3], ['B2','2019-12-01',8],['A1','2019-12-02',4],['A2','2019-12-09',5]] data=pd.DataFrame(list1,columns=('asin','date','qty')) (1)按行遍历iterrows() iterrows() 按行遍历，返回(index, Series)对，通过row[name]访问元素 ...
pandas库DataFrame
02-08
### pandas DataFrame 使用教程及常见操作 #### 创建 DataFrame 可以利用多种方式创建 `DataFrame` 对象，包括但不限于一维数组、列表、字典或 Series 字典等形式。对于更复杂的数据结构，如二维或具有特定结构的 NumPy 数组同样适用[^4]。 ```python import pandas as pd data = {'col_1': [3, 2, 1, 0], 'col_2': ['a', 'b', 'c', 'd']} df = pd.DataFrame.from_dict(data) print(df) ``` #### 基础属性与方法 获取有关 `DataFrame` 的基本信息，例如形状(shape)、列名(columns)等是非常重要的。此外，还可以查看前几行(head())或后几行(tail())的数据以便快速浏览数据集[^1]。 ```python # 显示前五行数据 print(df.head()) # 获取数据框大小 print(f"Shape of dataframe is {df.shape}") # 查看所有列名称 print(list(df.columns)) ``` #### 数据访问与选择 支持基于标签(label-based)，位置(integer-based)，布尔索引(boolean indexing)等多种形式的选择子集功能。这使得即使面对大型表格也能轻松定位所需部分。 ```python # 利用 loc[] 进行行列筛选 selected_data = df.loc[df['col_1'] > 1, :] print(selected_data) # iloc[] 实现整数位置选取 first_two_rows = df.iloc[:2] print(first_two_rows) ``` #### 添加新列 可以通过简单的赋值语句向现有 `DataFrame` 中增加新的字段；也可以通过计算已有各列之间的关系得到新特征并加入其中。 ```python # 新增一列为 col_1 和 col_2 组合的结果 df['combined'] = df[['col_1', 'col_2']].apply(lambda row: str(row.col_1)+row.col_2, axis=1) print(df) ``` #### 缺失值处理 识别缺失值的位置，并采取适当措施填补(fillna())或是删除(dropna())含有空缺记录的行为，在数据分析前期准备阶段尤为关键[^3]。 ```python # 替换 NaNs with a specific value (e.g., mean or median) filled_df = df.fillna(value=df.mean()) print(filled_df.isnull().sum()) ``` #### 排序和重置索引 当需要按照某些条件重新排列数据项时，sort_values() 方法提供了极大的灵活性。而 reset_index() 能够帮助恢复默认数值型索引。 ```python sorted_by_col1_descending = df.sort_values('col_1', ascending=False).reset_index(drop=True) print(sorted_by_col1_descending) ``` #### 分组聚合(GroupBy Aggregation) Groupby 是一种强大的工具用于执行按类别汇总统计的任务。它允许用户指定如何分割数据以及应用哪些函数来进行每组内部运算[^2]。 ```python grouped_stats = df.groupby(['col_2']).agg({'col_1': ['mean', 'min', 'max']}) print(grouped_stats) ```
评论
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