pandas获取行数据的loc,iloc,ix,at,iat方法与通过条件获取行数据的方法

loc是指location的意思，iloc中的i是指integer。这两者的原意是标签定位，区别如下：

loc works on labels in the index.
iloc works on the positions in the index (so it only takes integers).

也就是说，loc是能够工作在自定义的index标签，而iloc是工作在默认的index标签数字

原文：https://blog.youkuaiyun.com/dark_tone/article/details/80174335

如上table定义了一个index，那么loc就根据这个index来索引对应的行。

iloc是根据行号来索引，行号从0开始，逐次加1。

两个区别

1，.ioc以用户自定义的行标签为参考，.iloc依然使用系统默认。
2，loc[]是包括了]最右边，而iloc跟python设定相同，不包括]最右边。

例如：

print(table.iloc[0])

print(table.loc['a'])

一：
loc：通过行标签索引数据

iloc：通过行号索引行数据

ix：通过行标签或行号索引数据（基于loc和iloc的混合）

如果说loc是按照索引（index）的值来选取的话，那么iloc就是按照索引的位置来进行选取。iloc不关心索引的具体值是多少，只关心位置是多少，所以使用iloc时方括号中只能使用数值

二：
当要单独获取多行数据的时。

 print(table.iloc[[0,6]])

 print(table.loc[['a','b']])

当要进行切片获取多行数据时。

print(table[0:6])       --dateframe直接切片，可获取多行数据

print(table.iloc[0：6])
                             loc与第一种方法不同之处在于会把第6行也选择进去，而第一种方法只会选择到第5行为止
print(table.loc['a'：'b'])

#####总结：获取一列可以直接用df[]，获取一行要用df.loc[],获取多行多列要用两个[[,]]形式，如果要通过行和列来精确某一个位置的数据，可以使用df[列索引][行索引]，并且不能把顺序搞反。

三， 可见传统df[0:3]与df.iloc[0:3]相同

df[] 中括号里有一个值或一个列表时，取的是列数据。
当中括号里是一个切片时，是指行数据的切片。

如果切出城市和环比两个列，loc第一个参数说明取所有行

如果想要连续切片城市,定基，环比 3个列，因为自定义了行标签，无法使用loc数字切片，可以用.iloc，或者老老实实的写完3个行标签。

df.loc[:,1:3]      #错误写法，行标签已经自定义了
df.iloc[:,1:4]      #正确写法
df.loc[:,['城市':'环比']] #错误写法
df.loc[:,'城市':'环比']   #正确写法，切片不加[]符号
df.loc[:,['城市','定基','环比']] #正确写法，多个标签成为列表，要加[]
df[['城市','定基','环比']]      #正确写法

总结：对任意行列切片都可以使用.loc和.iloc,但是要注意写法细节。.iloc缺点是要去数行列，纯数字也不直观；.loc使用用户自定义标签，非常直观，自己以后用这个，要注意包涵关系和切片不加[]符号。
原文：https://blog.youkuaiyun.com/dark_tone/article/details/80174335

四：AT。
at的使用方法与loc类似，但是比loc有更快的访问数据的速度，而且只能访问单个元素，不能访问多个元素。

In [20]: timeit data_fecha.at[fecha_1,'rnd_1']
The slowest run took 3783.11 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 11.3 µs per loop

In [21]: timeit data_fecha.loc[fecha_1,'rnd_1']
The slowest run took 121.24 times longer than the fastest. This could mean that an intermediate result is being cached.
10000 loops, best of 3: 192 µs per loop

In [22]: data_fecha.at[fecha_1,'rnd_1']
Out[22]: 17

五，iat。
iat对于iloc的关系就像at对于loc的关系，是一种更快的基于索引位置的选择方法，同at一样只能访问单个元素。

In [23]: data_fecha.iat[1,0]
Out[23]: 1

In [24]: timeit data_fecha.iat[1,0]
The slowest run took 6.23 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 8.77 µs per loop

In [25]: timeit data_fecha.iloc[1,0]
10000 loops, best of 3: 158 µs per loop

六，ix
以上说过的几种方法都要求查询的秩在索引中，或者位置不超过长度范围，而ix允许你得到不在DataFrame索引中的数据。

In [28]: date_1 = dt.datetime(2013, 1, 10, 8, 30)
...: date_2 = dt.datetime(2013, 1, 13, 4, 20)
...: 
...: # 生成切片数据
...: data_fecha.ix[date_1: date_2]
Out[28]: 
        rnd_1  rnd_2  rnd_3
fecha                          
2013-01-11     19     17     19
2013-01-12     10      9     17
2013-01-13     15      3     10

原文：https://blog.youkuaiyun.com/wr339988/article/details/65446138/

七，通过条件获取行数据及行号的方法。

一、根据列条件，获取行索引号并转成列表

#在dataframe中根据一定的条件，得到符合要求的某些行元素所在的位置

import pandas as pd
df = pd.DataFrame({'BoolCol': [1, 2, 3, 3, 4],'attr': [22, 33, 22, 44, 66]},  
   index=[10,20,30,40,50])  
print(df)  
a = df[(df.BoolCol==3)&(df.attr==22)].index.tolist()  
print(a)  

输出

BoolCol  attr  
10        1    22  
20        2    33  
30        3    22  
40        3    44  
50        4    66  
[30]  

注意：
df[(df.BoolCol3)&(df.attr22)].index返回的是index对象列表，需转换为普通列表格式时用tolist()方法

---

二、根据列条件，选取dataframe数据框中的数据，得到一个新的dateframe（也可通过使用
.index.tolist()方法得到行索引列表）。

# 选取等于某些值的行记录 用 == 

df.loc[df['column_name'] == some_value]

# 选取某列是否是某一类型的数值 用 isin，参数some_values是一个列表，里面放元素

df.loc[df['column_name'].isin(some_values)]

# 多种条件的选取 用 &

df.loc[(df['column'] == some_value) & df['other_column'].isin(some_values)]

# 选取不等于某些值的行记录 用 ！=

df.loc[df['column_name'] != some_value]

# isin返回一系列的数值,如果要选择不符合这个条件的数值使用~

df.loc[~df['column_name'].isin(some_values)]

注：
df.loc[df[“BoolCol”] == 3] 与 df[(df.BoolCol3)] 等价
df[‘BoolCol’].isin([3]) 与 df.BoolCol3 等价
df[‘BoolCol’] 与 df.BoolCol 等价

参考：https://blog.youkuaiyun.com/huang_susan/article/details/80626698