# 关于Dataframe的一些数据操作

关于Dataframe的一些数据操作

本文只在转载他人文章的基础上，增加笔者自己的一些理解
主要涉及dataframe的基本操作，切片操作，条件筛选等

第一项：Dataframe的基础操作

没啥好说的，欢迎补充
Dataframe的基础操作

第二项 Dataframe切片操作

*主要介绍了Dataframe的.iloc, .loc, at, iat等操作

Dataframe切片操作（1）
Dataframe切片操作（2）

这篇讲的清除一点DataFrame之iloc与loc的一些容易被忽略的区别

肯定会用人问了那么iloc与loc，at与iat这些类之间有什么区别呢
那就看这片吧DataFrame之iloc与loc的一些容易被忽略的区别

可以看见这两者之间的区别主要是一个“i”的区别，就是index，loc的大部分操作是基于Dataframe中的元素，或者属性，而iloc主要是进行数字操作，前者就像字典的操作，后者就像数组的操作

第二项 Dataframe的条件筛选

Dataframe的条件筛选（1）
Dataframe的条件筛选（2）
我自己在补充一个例子

	data.head()
	   ones      Exam1      Exam2  Admitted
0   100  34.623660  78.024693         0
1   100  30.286711  43.894998         0
2   100  35.847409  72.902198         0
3   100  60.182599  86.308552         1
4   100  79.032736  75.344376         1
	
	data[data["Admitted"].isin([1])].head() #记住isin中的实参一定是列表哦~
	    ones      Exam1      Exam2  Admitted
3    100  60.182599  86.308552         1
4    100  79.032736  75.344376         1
6    100  61.106665  96.511426         1
7    100  75.024746  46.554014         1
8    100  76.098787  87.420570         1

认真观察就会发现，大部分的筛选操作都是在中括号内进行的，而大部分进行切片的操作都有额外的类或方法进行操作，即要进行打“.”

最后在给大家，增加两个例子吧

data.["Admitted"]
0     0
1     0
2     0
3     1
4     1
     ..
95    1
96    1
97    1
98    1
99    1
Name: Admitted, Length: 100, dtype: int64
data.Admitted
0     0
1     0
2     0
3     1
4     1
     ..
95    1
96    1
97    1
98    1
99    1
Name: Admitted, Length: 100, dtype: int64

本文仅供参考学习
禁止商用