pandas_02基础 之索引那些事

目录

 

一、单级索引

1. loc方法、iloc方法、[]操作符

二. 布尔索引

---

一、单级索引

1. loc方法、iloc方法、[]操作符

最常用的索引方法可能就是这三类，其中iloc表示位置索引，loc表示标签索引，[]也具有很大的便利性，各有特点

（a）loc方法

   ① 单行索引：

import numpy as np
import pandas as pd
df = pd.read_csv('joyful-pandas/data/table.csv',index_col='ID')
df.head()

首先进行数据集的读取操作。

然后我们在进行索引的相关操作。

df.loc[1103]

 ② 多行索引：

（注意：所有在loc中使用的切片全部包含右端点！这是因为如果作为Pandas的使用者，那么肯定不太关心最后一个标签再往后一位是什么，但是如果是左闭右开，那么就很麻烦，先要知道再后面一列的名字是什么，非常不方便，因此Pandas中将loc设计为左右全闭） 

③ 单列索引：

④ 多列索引

 ⑤函数式索引： 

df[lambda x:['Math','Physics']].head()

 

（b）iloc方法（注意与loc不同，切片右端点不包含）

1.单行索引

df.iloc[3]

2.多行索引

df.iloc[3:5]

3.单列索引

df.iloc[:,3].head()

4.多列索引

df.iloc[:,7::-2].head()

5.函数式索引

df.iloc[lambda x:[3]].head()

 iloc中接收的参数只能为整数或整数列表或布尔列表，不能使用布尔Series，如果要用就必须如下把values拿出来

df.iloc[(df['School']=='S_1').values].head()

 （c） [ ]操作符

1.Series的[]操作

① 单元素索引：

s = pd.Series(df['Math'],index=df.index)
s[1101]

 ② 多行索引：

s[0:4]
#使用的是绝对位置的整数切片，与元素无关，这里容易混淆

 ③ 函数式索引：

s[lambda x: x.index[16::-6]]
#注意使用lambda函数时，直接切片(如：s[lambda x: 16::-6])就报错，此时使用的不是绝对位置切片，而是元素切片，非常易错

 ④ 布尔索引：

2.DataFrame的[]操作 

① 单行索引：

df[1:2]
#这里非常容易写成df['label']，会报错
#同Series使用了绝对位置切片
#如果想要获得某一个元素，可用如下get_loc方法：

② 多行索引：

#用切片，如果是选取指定的某几行，推荐使用loc，否则很可能报错
df[3:5]

 ③ 单列索引：

df['School'].head()

  ④ 多列索引：

df[['School','Math']].head()

  ⑤函数式索引：

df[lambda x:['Math','Physics']].head()

小节：一般来说，[]操作符常用于列选择或布尔选择，尽量避免行的选择

 

二. 布尔索引

1.布尔符号：'&','|','~'：分别代表和and，或or，取反not

df[(df['Gender']=='F')&(df['Address']=='street_2')].head()

df[(df['Math']>85)|(df['Address']=='street_7')].head()

df[~((df['Math']>75)|(df['Address']=='street_1'))].head()

    loc和[]中相应位置都能使用布尔列表选择： 

上面介绍的是关于索引方面常见的问题，具体的代码和数据集都已经放在我的github:pandas_02基础索引代码。