标签：loc ix df 标签 选取 索引 iloc True pandas
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：
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(6,4), index=list('abcdef'), columns=list('ABCD'))
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
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]
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]]
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']]
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']
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]
选取某一列
df['A']
选取某一行
df.loc['1']
删除某一列
pd.drop('Part Number',axis=1)
删除某两行
pd.drop([11，12]，axis=0)
采用drop方法，有下面三种等价的表达式：
DF= DF.drop('column_name', 1)；
DF.drop('column_name',axis=1, inplace=True)
DF.drop([DF.columns[[0,1, 3]]], axis=1,inplace=True) # Note: zero indexed
注意：凡是会对原数组作出修改并返回一个新数组的，往往都有一个 inplace可选参数。如果手动设定为True（默认为False），那么原数组直接就被替换。也就是说，采用inplace=True之后，原数组名（如2和3情况所示）对应的内存值直接改变；而采用inplace=False之后，原数组名对应的内存值并不改变，需要将新的结果赋给一个新的数组或者覆盖原数组的内存位置（如1情况所示）
合并两个dataframe
pd.merge(df1,df2,how='left',on='Part Description')
插入一列
pd.insert(1,'e',df['a'])
插入在第1列（起始为0列，列名为e，列的内容为df['a']）
dataframe 选取Nan 或者not Nan
productid_2=productid_1[productid_1['Product Code'].notnull()] #以该列非空值为条件，筛选整个dataframe
productid_2=productid_1[productid_1['Product Code'].isnull()] #以该列空值为条件，筛选整个dataframe
Pandas
参考链接：https://www.jianshu.com/p/32bfb327bf07
标签：loc,ix,df,标签,选取,索引,iloc,True,pandas 来源： https://www.cnblogs.com/2506236179zhw/p/14490696.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。