马里奥吃金币,美国十次l,矢口美里
我们对 dataframe 进行选择，大抵从这三个层次考虑：行列、区域、单元格。
其对应使用的方法如下：
一. 行，列 --> df[]
二. 区域 --> df.loc[], df.iloc[], df.ix[]
三. 单元格 --> df.at[], df.iat[]
下面开始练习：
我要评论
import numpy as np
import pandas as pd
df = pd.dataframe(np.random.randn(6,4), index=list('abcdef'), columns=list('abcd'))
1. df[]:
一维
行维度：
整数切片、标签切片、<布尔数组>
列维度：
标签索引、标签列表、callable
df[:3] df['a':'c'] df[[true,true,true,false,false,false]] # 前三行（布尔数组长度等于行数） df[df['a']>0] # a列值大于0的行 df[(df['a']>0) | (df['b']>0)] # a列值大于0，或者b列大于0的行 df[(df['a']>0) & (df['c']>0)] # a列值大于0，并且c列大于0的行
df['a'] df[['a','b']] df[lambda df: df.columns[0]] # callable
2. df.loc[]
二维，先行后列
行维度：
标签索引、标签切片、标签列表、<布尔数组>、callable
列维度：
标签索引、标签切片、标签列表、<布尔数组>、callable
df.loc['a', :] df.loc['a':'d', :] df.loc[['a','b','c'], :] df.loc[[true,true,true,false,false,false], :] # 前三行（布尔数组长度等于行数） df.loc[df['a']>0, :] df.loc[df.loc[:,'a']>0, :] df.loc[df.iloc[:,0]>0, :] df.loc[lambda _df: _df.a > 0, :]
df.loc[:, 'a'] df.loc[:, 'a':'c'] df.loc[:, ['a','b','c']] df.loc[:, [true,true,true,false]] # 前三列（布尔数组长度等于行数） df.loc[:, df.loc['a']>0] # a行大于0的列 df.loc[:, df.iloc[0]>0] # 0行大于0的列 df.loc[:, lambda _df: ['a', 'b']]
df.a.loc[lambda s: s > 0]
3. df.iloc[]
二维，先行后列
行维度：
整数索引、整数切片、整数列表、<布尔数组>
列维度：
整数索引、整数切片、整数列表、<布尔数组>、callable
df.iloc[3, :] df.iloc[:3, :] df.iloc[[0,2,4], :] df.iloc[[true,true,true,false,false,false], :] # 前三行（布尔数组长度等于行数） df.iloc[df['a']>0, :] #× 为什么不行呢？想不通！ df.iloc[df.loc[:,'a']>0, :] #× df.iloc[df.iloc[:,0]>0, :] #× df.iloc[lambda _df: [0, 1], :]
df.iloc[:, 1] df.iloc[:, 0:3] df.iloc[:, [0,1,2]] df.iloc[:, [true,true,true,false]] # 前三列（布尔数组长度等于行数） df.iloc[:, df.loc['a']>0] #× df.iloc[:, df.iloc[0]>0] #× df.iloc[:, lambda _df: [0, 1]]
4. df.ix[]
二维，先行后列
行维度：
整数索引、整数切片、整数列表、
标签索引、标签切片、标签列表、
<布尔数组>、
callable
列维度：
整数索引、整数切片、整数列表、
标签索引、标签切片、标签列表、
<布尔数组>、
callable
df.ix[0, :] df.ix[0:3, :] df.ix[[0,1,2], :] df.ix['a', :] df.ix['a':'d', :] df.ix[['a','b','c'], :]
df.ix[:, 0] df.ix[:, 0:3] df.ix[:, [0,1,2]] df.ix[:, 'a'] df.ix[:, 'a':'c'] df.ix[:, ['a','b','c']]
5. df.at[]
精确定位单元格
行维度：
标签索引
列维度：
标签索引
df.at['a', 'a']
6. df.iat[]
精确定位单元格
行维度：
整数索引
列维度：
整数索引
df.iat[0, 0]
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持移动技术网。
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
新手学习Python2和Python3中print不同的用法
Python基于os.environ从windows获取环境变量
网友评论