博客

loc函数

：通过

行索引

“Index” 中的具体值来取行数据（如取”Index”为”A”的行）

iloc函数：

通过

行号

来取行数据（如取第二行的数据）

1. 利用loc、iloc提取行数据

import numpy as np
import pandas as pd
#创建一个Dataframe
data=pd.DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('ABCD'))
 
In[1]: data
Out[1]: 
    A   B   C   D
a   0   1   2   3
b   4   5   6   7
c   8   9  10  11
d  12  13  14  15
 
#取索引为'a'的行
In[2]: data.loc['a']
Out[2]:
A    0
B    1
C    2
D    3
 
#取第一行数据，索引为'a'的行就是第一行，所以结果相同
In[3]: data.iloc[0]
Out[3]:
A    0
B    1
C    2
D    3

2. 利用loc、iloc提取列数据

In[4]:data.loc[:,['A']] #取'A'列所有行，多取几列格式为 data.loc[:,['A','B']]
Out[4]: 
    A
a   0
b   4
c   8
d  12
 
In[5]:data.iloc[:,[0]] #取第0列所有行，多取几列格式为 data.iloc[:,[0,1]]
Out[5]: 
    A
a   0
b   4
c   8
d  12
 

3.利用loc、iloc提取指定行、指定列数据

In[6]:data.loc[['a','b'],['A','B']] #提取index为'a','b',列名为'A','B'中的数据
Out[6]: 
   A  B
a  0  1
b  4  5
 
In[7]:data.iloc[[0,1],[0,1]] #提取第0、1行，第0、1列中的数据
Out[7]: 
   A  B
a  0  1
b  4  5

4.利用loc、iloc提取所有数据

In[8]:data.loc[:,:] #取A,B,C,D列的所有行
Out[8]: 
    A   B   C   D
a   0   1   2   3
b   4   5   6   7
c   8   9  10  11
d  12  13  14  15
 
In[9]:data.iloc[:,:] #取第0,1,2,3列的所有行
Out[9]: 
    A   B   C   D
a   0   1   2   3
b   4   5   6   7
c   8   9  10  11
d  12  13  14  15

5.利用loc函数，根据某个数据来提取数据所在的行

In[10]: data.loc[data['A']==0] #提取data数据(筛选条件: A列中数字为0所在的行数据)
Out[10]: 
   A  B  C  D
a  0  1  2  3
 
In[11]: data.loc[(data['A']==0)&(data['B']==1)] #提取data数据(多个筛选条件)
Out[11]: 
   A  B  C  D
a  0  1  2  3

同时，以下几种写法也可提取数据所在的行，与第五种用法类似。

In[12]: data[data['A']==0] #dataframe用法
In[13]: data[data['A'].isin([0])] #isin函数
In[14]: data[(data['A']==0)&(data['B']==1)] #dataframe用法
In[15]: data[(data['A'].isin([0]))&(data['B'].isin([1]))] #isin函数
 
Out[15]: 
   A  B  C  D
a  0  1  2  3

** 利用loc函数的时候，当index相同时，会将相同的Index全部提取出来，优点是：如果index是人名，数据框为所有人的数据，那么我可以将某个人的多条数据提取出来分析；缺点是：如果index不具有特定意义，而且重复，那么提取的数据需要进一步处理,可用.reset_index()函数重置index**

以上内容全部参考此博主的优秀文章：

https://blog.csdn.net/W_weiying/article/details/81411257

接下来是总结iloc在特殊场景下的用法：

6. DataFrame在groupby分组后提取每一组的最后一条数据

：取每个user同一subject排倒数第二得成绩

In[16]: 
df = pd.DataFrame({'user': ['A', 'B', 'A','D'], 'subject': [11, 12, 11, 13], 'score': [90, 99, 89, 90]})
df
Out[16]: 
 	user 	subject 	score
0 	A 	11 	90
1 	B 	12 	99
2 	A 	11 	89
3 	D 	13 	90

# 先按照score升序排序，再groupBy，最后用lamda函数结合iloc取倒数第二得成绩。 因为有些用户可能只有一条记录，直接取可能会出错，所以我用if先做判断，如果该分组只有一条数据就取倒数第一的成绩。
In[17]: 
grouped_data = df.sort_values(by='score').groupby(['user', 'subject'])['score'].apply(lambda i:i.iloc[-2] if len(i)> 1 else i.iloc[-1])
grouped_data
Out[17]:
user  subject
A     11       89
B     12       99
D     13       90
Name: score, dtype: int64

以上内容参考链接：


https://blog.csdn.net/lz_peter/article/details/79044247