python 数据分析 pandas dataframe 遍历方法

转载 已于 2024-03-16 20:21:05 修改 · 1.8k 阅读 · 8 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/qq_32306361/article/details/128525814
文章标签：

#python #pandas #开发语言

于 2024-03-16 20:18:02 首次发布
本文详细介绍了在Python中使用PandasDataFrame遍历数据的三种方法：按行、按列以及获取特定值（iat,at,loc,iloc）。通过实例演示了如何通过不同的索引方式访问DataFrame的数据。
部署运行你感兴趣的模型镜像

目录

1 遍历DataFrame的三种方法

3 按行遍历

3.1 第一种方法

3.2 第二种方法

4 遍历DataFrame某一列(行)数据

5 获取某一个值

5.1 DataFrame.at[行索引,列索引]获取某一个值

5.2 DataFrame.iat[默认行索引,默认列索引]获取某一个值

5.3 DataFrame.loc[行索引,列索引]获取某个值,与at不同的是,只输入某一参数,获得某一行或某一列

5.4 DataFrame.iloc[默认行索引,默认列索引]获取某个值,与iat不同的是,只输入某一参数,获得某一行或某一列:

1 遍历DataFrame的三种方法

  • iteritem()方法返回一个<class ‘method’>数据,可利用for循环获得输出
  • iterrow()方法返回一个<class ‘generator’>数据,可利用for循环获得输出
  • itertuple()方法返回一个<class ‘pandas.core.frame.Pandas’>数据,可利用getattr(row,‘列索引’)方法获得对应数据
    演示数据准备：
data = {'state':['Ohio','Ohio','Ohio','Nevada','Nevada','Nevada'],
'year':[2000,2001,2002,2003,2004,2005],
'pop':[1.5,1.7,3.6,2.4,2.9,3.2]}
frame = pd.DataFrame(data)

2 按列遍历

column_indexs = []
for column_index, row_data in frame.iteritems():
    column_indexs.append(column_index)
    print(row_data)
print(column_indexs)

运行结果：
在这里插入图片描述

3 按行遍历

3.1 第一种方法

row_indexs = []
for index, row in frame.iterrows():
    row_indexs.append(index)
    print(row)
print(row_indexs)

运行结果：
在这里插入图片描述
还可以通过列名获取对应数据

for index, row in frame.iterrows():
    print(row['pop'])

运行结果：
在这里插入图片描述

3.2 第二种方法

for row in frame.itertuples():
    print(getattr(row, 'state'), getattr(row, 'year'), getattr(row, 'pop'))
    print(type(row))

运行结果：
在这里插入图片描述

4 遍历DataFrame某一列(行)数据

演示数据准备

data = {'state':['Ohio','Ohio','Ohio','Nevada','Nevada','Nevada'],
'year':[2000,2001,2002,2003,2004,2005],
'pop':[1.5,1.7,3.6,2.4,2.9,3.2]}
frame = pd.DataFrame(data)

4.1 获取frame的index属性,然后使用frame[列索引].get(行索引)获得对应的值

print(frame.columns)
for index in frame.index:
    print(frame['state'].get(index))

运行结果：
在这里插入图片描述
与上面等价的两种写法

# 第一种
for index in frame.index:
    print(frame['state'][index])
# 第二种
for index in frame.index:
    print(frame.get('state').get(index))

4.2 获取frame的column属性,然后使用frame[列索引].get(行索引)获得对应的值

print(frame.index)
for column in frame.columns:
    print(frame[column].get(0))

运行结果：
在这里插入图片描述

5 获取某一个值

5.1 DataFrame.at[行索引,列索引]获取某一个值

在这里插入图片描述

5.2 DataFrame.iat[默认行索引,默认列索引]获取某一个值

在这里插入图片描述

5.3 DataFrame.loc[行索引,列索引]获取某个值,与at不同的是,只输入某一参数,获得某一行或某一列

在这里插入图片描述

5.4 DataFrame.iloc[默认行索引,默认列索引]获取某个值,与iat不同的是,只输入某一参数,获得某一行或某一列:

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

whatday
关注
Pandas DataFrame遍历的性能优化：加速技巧与最佳实践
RcxhClass的博客
10-06 997
Pandas提供了许多向量化操作，这些操作可以在底层使用高度优化的C代码执行，从而显著提高性能。相比于使用循环遍历DataFrame的每一行或每一列，使用向量化操作能够以更高效的方式进行元素级的计算。例如，可以使用Pandas的矢量化字符串方法来处理DataFrame中的文本数据，而不是使用循环逐个处理每个元素。、向量化的条件表达式和并行处理等技巧，可以显著提高Pandas DataFrame遍历的性能。在处理大型数据集时，合理选择适当的方法和技巧，可以有效减少代码的执行时间，提高数据处理的效率。
dataframe类型数据的遍历_pandas中遍历dataframe的每一个元素
weixin_39798943的博客
12-23 3874
假如有一个需求场景需要遍历一个csv或excel中的每一个元素，判断这个元素是否含有某个关键字那么可以用python的pandas库来实现。方法一：pandas的dataframe有一个很好用的函数applymap，它可以把某个函数应用到dataframe的每一个元素上，而且比常规的for循环去遍历每个元素要快很多。如下是相关代码：import pandas as pddata = [["str"...
遍历Pandas DataFrame数据的行：方法与实践
qq_46396470的博客
07-18 1905
Pandas是一个强大的Python数据分析库，它提供了快速、灵活、直观的数据结构，用于处理结构化数据。DataFrame是Pandas中最重要的数据结构之一，它类似于Excel表格或SQL表，以二维表格的形式存储数据。遍历Pandas DataFrame的行数据是数据分析中的一项基本技能。本文将介绍几种常见的遍历DataFrame行的方法，并讨论它们的使用场景和注意事项。它返回一个迭代器，迭代器中的每个元素是一个元组，包含行的索引和行的数据（作为一个Series）。是另一种行遍历方法，它比。
pandas中遍历dataframe的每一个元素的实现
09-18
主要介绍了pandas中遍历dataframe的每一个元素的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
python中使用iterrows()对dataframe进行遍历的实例
12-23
假设我们有一个很简单的OTU表： 现在对这个表格进行遍历，一般写法为： import pandas as pd otu = pd.read_csv("otu.txt",sep="\t") for index,row in otu.iterrows(): print index print row 这里的iterrows()返回值为元组,(index,row) 上面的代码里，for循环定义了两个变量，index，row，那么返回的元组，index=index，row=row. 如果for循环时，只定义一个变量： import pandas as pd otu = pd.read_c
Python pandas 对DataFrame进行遍历(持续更新）
dynsyx的博客
02-25 1万+
后续持续更新。有错误的地方请指正
pandas DataFrame数据遍历
xu624735206的博客
08-31 7876
DataFrame数据遍历一、读取csv内容，格式与数据类型如下二、按行遍历数据：iterrows三、按行遍历数据：itertuples四、按列遍历数据：iteritems四、读取和修改某一个数据五、遍历dataframe中每一个数据 一、读取csv内容，格式与数据类型如下 data = pd.read_csv('save\LH8888.csv') print(type(data)) print(data) 输出结果如下： 二、按行遍历数据：iterrows 获取行名：名字、年龄、身高、体重 for
Python中多种Pandas数据遍历方法总结
07-24
在 Python 的 Pandas 库中，数据处理是关键任务，DataFrame 和 Series 作为核心数据结构，其遍历方法尤为重要。本文总结了几种常见的 Pandas 数据遍历方式，包括基础 for 循环、迭代器协议、列表解析和生成器。这些...
对Python中DataFrame按照行遍历的方法
09-20
在Python的数据分析领域，pandas库中的DataFrame是一个非常重要的数据结构，它被广泛用于处理二维表格数据。在处理这类数据时，有时我们需要遍历DataFrame的每一行，以便进行各种操作，如数据清洗、特征工程或者模型...
python pandas 遍历 DataFrame
weixin_44493841的博客
12-27 6519
python pandas 遍历 DataFrame df = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3'], 'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']}, index=[0,
Python pandas 按行、按列遍历DataFrame
weixin_43115411的博客
08-11 2万+
前言 在对DataFrame数据进行处理时，存在需要对数据内容进行遍历的场景。因此记录一下按照行，列遍历的几种方式。 一、按行遍历 1. 使用loc或iloc方法 loc：表示location，填写内容为行的值或者列表，若填写内容为值，则返回对应行的内容（Series类型）；若填写内容为列表，则返回对应行的内容（DataFrame类型） iloc：表示integer+location，填写内容为行的索引（int类型）或者列表，返回内容与loc相同。 因此若需要按照行进行遍历时， 先可以使用inde
pandas 遍历Dataframe
zc520yzy的博客
10-22 427
iterrows(): 按行遍历，将DataFrame的每一行迭代为(index, Series)对，可以通过row[name]对元素进行访问。 itertuples(): 按行遍历，将DataFrame的每一行迭代为元祖，可以通过row[name]对元素进行访问，比iterrows()效率高。 iteritems():按列遍历，将DataFrame的每一列迭代为(列名, Series)对，可以通过row[index]对元素进行访问。 示例数据 import pandas as pd inp = [{.
pandas DataFrame 常用遍历方法
xiaoyuzhou1994的博客
05-12 2352
基于行号遍历DataFrame的每一行, 该方式通过行号获取行数据信息，格式为Series，无法获取改行的index信息。在Pandas中，可以使用多种方法遍历DataFrame中的数据。使用itertuples()遍历DataFrame的每一行，返回一个元组。apply() 函数可以对DataFrame中的每个元素应用一个函数。使用apply()函数遍历DataFrame的每一行或列。使用iterrows()遍历DataFrame的每一行。基于索引遍历DataFrame的每一行。
pandas逐行/列 遍历Dataframe的三种方式
qq_57313910的博客
11-28 2万+
pandas.DataFrame.iterrows()，intertuples(),items()三个函数的官方文档翻译
如何在 Pandas 中遍历 DataFrame 的行?
devid008的博客
06-14 5067
在Pandas中，如果我们想要逐行访问DataFrame的数据，需要对其进行遍历。这里总结了3种遍历DataFrame行的方法，并推荐其中最简洁高效的方式。
pandas dataframe 遍历
Love-Coding
09-17 418
import pandas as pd df = pd.read_excel("renshe.xls",header=0) for i in range(0, len(df)): print(df.iloc[i]['列名1'], df.iloc[i]['列名2'], df.iloc[i]['列名3']) print()
如何在 Pandas 中遍历 DataFrame 的行？
cda2024的博客
12-11 1745
在数据科学领域，Pandas 是一个不可或缺的工具，它为数据操作和分析提供了强大的支持。对于许多数据科学家和工程师来说，Pandas 的 DataFrame 是处理结构化数据的首选工具。然而，在实际应用中，我们经常需要对 DataFrame 的每一行进行特定的操作，比如数据清洗、特征工程或模型预测。本文将深入探讨如何在 Pandas 中高效地遍历 DataFrame 的行，并提供一些实用的技巧和最佳实践。
如何遍历 DataFrame
鸭梨的博客
02-23 1044
方法适用场景性能备注iterrows()逐行遍历，小规模数据低返回 Series逐行遍历，中等规模数据中返回命名元组items()按列遍历中返回列名和列数据apply()批量操作行或列中高灵活，适合复杂操作直接遍历不推荐低无法访问列名向量化操作高性能操作，推荐高避免显式遍历根据数据规模和需求选择合适的方法，优先考虑向量化操作和apply()。
pandas按行按列遍历Dataframe的几种方式
热门推荐
LuckyDucky的博客
02-27 39万+
遍历数据有以下三种方法： 简单对上面三种方法进行说明： iterrows(): 按行遍历，将DataFrame的每一行迭代为(index, Series)对，可以通过row[name]对元素进行访问。 itertuples(): 按行遍历，将DataFrame的每一行迭代为元祖，可以通过row[name]对元素进行访问，比iterrows()效率高。 iteritems():按列遍历，将Dat...
Pandas DataFrame数据遍历‘’
最新发布
08-21
<think>我们被要求遍历Pandas DataFrame的行或列。根据引用[3]中的内容，我们知道可以使用`itertuples()`方法来按行迭代。此外，Pandas还提供了其他方法如`iterrows()`，但通常`itertuples()`更快。 同时，我们也可以遍历列，因为DataFrame的列是带有标签的，我们可以直接迭代列名，然后通过列名访问每一列。 因此，我们将分为两部分： 1. 遍历行 2. 遍历列 注意：在遍历DataFrame时，通常不推荐使用循环，因为Pandas的向量化操作更高效。但在某些场景下，遍历是必要的。 我们将提供以下方法： 遍历行： - 使用`df.iterrows()`：返回索引和行数据（作为Series） - 使用`df.itertuples()`：返回一个命名元组，更高效 遍历列： - 直接遍历`df.columns`，然后通过列名访问列 - 使用`df.items()`：返回列名和该列的Series 注意：引用[3]中给出了`itertuples()`的例子，我们将参考它。 下面给出具体代码示例。</think>在 Pandas 中遍历 DataFrame 的行或列有多种高效方法，以下是主要技术方案： ### 一、遍历 DataFrame 行（行迭代） #### 1. **`itertuples()` 方法（最高效）** 返回命名元组，速度最快且内存效率高： ```python import pandas as pd df = pd.DataFrame({ 'Name': ['Alice', 'Bob', 'Aritra'], 'Age': [25, 30, 35], 'Location': ['Seattle', 'New York', 'Kona'] }, index=[10, 20, 30]) for row in df.itertuples(): print(f"Index: {row.Index}, Name: {row.Name}, Age: {row.Age}") ``` **优点**：性能最佳，支持属性访问（如 `row.Name`）[^3] #### 2. **`iterrows()` 方法** 返回 (index, Series) 对： ```python for index, row in df.iterrows(): print(f"Index: {index}, Name: {row['Name']}, Age: {row['Age']}") ``` **注意**：返回的 `row` 是副本而非视图，修改不影响原数据 #### 3. **`apply()` 函数（函数式迭代）** 结合 lambda 函数按行处理： ```python def process_row(row): return f"{row['Name']} in {row['Location']}" df['Info'] = df.apply(process_row, axis=1) # axis=1 表示行方向 ``` --- ### 二、遍历 DataFrame 列（列迭代） #### 1. **直接遍历列名** ```python for column in df.columns: print(f"Column: {column}") print(f"Values: {df[column].values}") # 访问列数据 ``` #### 2. **`items()` 方法（列迭代器）** 返回 (列名, Series) 对： ```python for col_name, data in df.items(): print(f"Column: {col_name}") print(f"First value: {data.iloc[0]}") # 访问列数据 ``` #### 3. **`iteritems()` 方法（Pandas 旧版本）** ```python for col_name, data in df.iteritems(): # 同 items() print(f"Column: {col_name}") ``` --- ### 三、性能比较与选择建议 | 方法 | 适用场景 | 性能 | 内存效率 | |---------------|----------------------------|--------|---------| | `itertuples()`| 行遍历（需高性能） | ★★★★★ | 高 | | `iterrows()` | 行遍历（需索引） | ★★☆ | 中 | | `apply()` | 行/列函数式处理 | ★★★☆ | 高 | | `items()` | 列遍历 | ★★★★☆ | 高 | > **最佳实践**：优先使用向量化操作（避免显式循环），必须循环时： > - 行遍历：用 `itertuples()` > - 列遍历：用 `items()` --- ### 四、高级技巧：向量化替代方案 多数场景可用内置函数替代循环： ```python # 替代行遍历的向量化操作 df['Age_Next_Year'] = df['Age'] + 1 # 所有行年龄+1 # 替代列遍历的向量化操作 df = df.rename(columns=str.upper) # 所有列名转大写 ``` 向量化操作速度比循环快 $10\sim100$ 倍[^3][^4]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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