Pandas: iloc和loc函数的使用

DataFrame最简单的索引便是df[‘列名’]，同时两种主要的索引方式。

• 第一种是基于位置（整数）的索引，通过指定我们要选哪几行和哪几列，来筛选出目标数据。

df.iloc[行索引, 列索引]
df.iloc[1, 1]

其中的行索引和列索引也可以用切片、布尔掩码等索引代替。

• 第二种是基于名称（标签）的索引，既可以指定列具体的名称，又可以加上复杂的条件判断，筛选更加灵活。
  实际应用过程中，第二种应用得更广泛，操作起来更加灵活，并且更方便。

df.loc[行索引, 列索引]

案例分析

布尔掩码

本文将会用具体的案例场景介绍loc的索引，如下表（部分）所示

df['流量来源'] == '一级'

上述代码会返回带索引的布尔掩码

在loc方法中，我们可以把这一列判断得到的值传入行参数位置，Pandas会默认返回结果为True的行（这里是索引从0到12的行），而丢掉结果为False的行：

df.loc[df['流量来源'] == '一级',:]

df[‘流量来源’].isin([‘二级’, ‘三级’])函数可用于提取二级、三级流量来源

df.loc[df['流量来源'].isin(['二级','三级']),['流量来源','来源明细','访客数','支付转化率']]

isin函数能够帮助我们快速判断源数据中某一列（Series）的值是否等于列表中的值。拿案例来说，df[‘流量来源’].isin([‘二级’,‘三级’])，判断的是流量来源这一列的值，是否等于“二级”或者“三级”，如果等于（等于任意一个）就返回True，否则返回False。我们再把这个布尔型判断结果传入行参数，就能够很容易的得到流量来源等于二级或者三级的渠道。

位与运算符（&|~）实现多条件索引

df.loc[(df['访客数'] > df['访客数'].mean()) &
      (df['客单价'] > df['客单价'].mean()),:]

总结：

两个函数参数其实差不多，但iloc更适合用于数字索引，loc则是更适合复合条件式索引，这是因为loc函数可以直接识别带索引的布尔掩码而iloc往往不能识别带有index的DataFrame or Series，需要用values获得没有索引的数组，即df.iloc[df[‘列名’].values == 0。