快捷導(dǎo)航

pandas ix &iloc &loc的區(qū)別

更新時(shí)間：2019年01月10日 10:41:20 作者：memoryqiu

這篇文章主要介紹了pandas ix &iloc &loc的區(qū)別，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧

一開(kāi)始自學(xué)Python的numpy、pandas時(shí)候，索引和切片把我都給弄暈了，特別是numpy的切片索引、布爾索引和花式索引，簡(jiǎn)直就是大亂斗。但是最近由于版本的問(wèn)題，從之前的Python2.7改用Python3.6 了，在3.6中提供了loc和iloc兩種索引方法，把ix這個(gè)方法給劃分開(kāi)來(lái)了，所以很有必要做個(gè)總結(jié)和對(duì)比。

loc——通過(guò)行標(biāo)簽索引行數(shù)據(jù)
iloc——通過(guò)行號(hào)索引行數(shù)據(jù)
ix——通過(guò)行標(biāo)簽或者行號(hào)索引行數(shù)據(jù)（基于loc和iloc 的混合）

同理，索引列數(shù)據(jù)也是如此！

舉例說(shuō)明：

1、分別使用loc、iloc、ix 索引第一行的數(shù)據(jù):

（1）loc

import pandas as pd
data=[[1,2,3],[4,5,6]]
index=['a','b']#行號(hào)
columns=['c','d','e']#列號(hào)
df=pd.DataFrame(data,index=index,columns=columns)#生成一個(gè)數(shù)據(jù)框

#print df.loc['a']
'''
c  1
d  2
e  3
'''

print df.loc[0]
#這個(gè)就會(huì)出現(xiàn)錯(cuò)誤
'''
TypeError: cannot do label indexing on <class 'pandas.indexes.base.Index'> 
with these indexers [1] of <type 'int'>
'''

(2)iloc

import pandas as pd
data=[[1,2,3],[4,5,6]]
index=['a','b']#行號(hào)
columns=['c','d','e']#列號(hào)
df=pd.DataFrame(data,index=index,columns=columns)#生成一個(gè)數(shù)據(jù)框

print df.iloc[0]
'''
c  1
d  2
e  3
'''
print df.iloc['a']
'''
TypeError: cannot do positional indexing on <class 'pandas.indexes.base.Index'> 
with these indexers [a] of <type 'str'>
'''

(3)ix

import pandas as pd
data=[[1,2,3],[4,5,6]]
index=['a','b']#行號(hào)
columns=['c','d','e']#列號(hào)
df=pd.DataFrame(data,index=index,columns=columns)#生成一個(gè)數(shù)據(jù)框

print df.ix[0]
'''
c  1
d  2
e  3
'''
print df.ix['a']
'''
c  1
d  2
e  3
'''

2、分別使用loc、iloc、ix 索引第一列的數(shù)據(jù):

import pandas as pd
data=[[1,2,3],[4,5,6]]
index=['a','b']#行號(hào)
columns=['c','d','e']#列號(hào)
df=pd.DataFrame(data,index=index,columns=columns)#生成一個(gè)數(shù)據(jù)框

print df.loc[:,['c']]

print df.iloc[:,[0]]

print df.ix[:,['c']]

print df.ix[:,[0]]
#結(jié)果都為
'''
  c
a 1
b 4
'''

3、分別使用loc、iloc、ix 索引多行的數(shù)據(jù):

import pandas as pd
data=[[1,2,3],[4,5,6]]
index=['a','b']#行號(hào)
columns=['c','d','e']#列號(hào)
df=pd.DataFrame(data,index=index,columns=columns)#生成一個(gè)數(shù)據(jù)框

print df.loc['a':'b']

print df.iloc[0:1]

print df.ix['a':'b']

print df.ix[0:1]
#結(jié)果都為
'''
  c d e
a 1 2 3
b 4 5 6
'''

4、分別使用loc、iloc、ix 索引多列的數(shù)據(jù):

import pandas as pd
data=[[1,2,3],[4,5,6]]
index=['a','b']#行號(hào)
columns=['c','d','e']#列號(hào)
df=pd.DataFrame(data,index=index,columns=columns)#生成一個(gè)數(shù)據(jù)框

print df.loc[:,'c':'d']

print df.iloc[:,0:2]

print df.ix[:,'c':'d']

print df.ix[:,0:2]
#結(jié)果都為
'''
  c d
a 1 2
b 4 5
'''

5、loc、iloc、ix使用切片的區(qū)別

loc、iloc、ix對(duì)于切片的索引數(shù)據(jù)就兩種情況，按照標(biāo)簽切片索引和按照位置編號(hào)切片索引

In [20]: df.loc['ind0':'ind3']
Out[20]: 
   col0 col1 col2 col3 col4
ind0   0   1   2   3   4
ind1   5   6   7   8   9
ind2  10  11  12  13  14
ind3  15  16  17  18  19

In [21]: df.iloc[0:3]
Out[21]: 
   col0 col1 col2 col3 col4
ind0   0   1   2   3   4
ind1   5   6   7   8   9
ind2  10  11  12  13  14

區(qū)別不在于用哪種方法，而是通過(guò)標(biāo)簽索引將會(huì)將切片末端包含進(jìn)去，通過(guò)位置編號(hào)索引不會(huì)講切片末端包含進(jìn)去。同樣的都是第一行到第四行，通過(guò)loc就會(huì)把1,2,3,4行都提取出來(lái)，通過(guò)iloc就只能把1,2,3行提取出來(lái)。ix方法也是一樣，知識(shí)方法不同而已。

In [23]: df.ix['ind0':'ind3']
Out[23]: 
   col0 col1 col2 col3 col4
ind0   0   1   2   3   4
ind1   5   6   7   8   9
ind2  10  11  12  13  14
ind3  15  16  17  18  19

In [24]: df.ix[0:3]
Out[24]: 
   col0 col1 col2 col3 col4
ind0   0   1   2   3   4
ind1   5   6   7   8   9
ind2  10  11  12  13  14

對(duì)于列的切片跟行的一樣。

這里討論了基本的索引和切片，如果有用詞不當(dāng)?shù)牡胤秸?qǐng)?zhí)岢鰜?lái)，我將積極改正，或者有其他有關(guān)花式索引、布爾索引的問(wèn)題也可以大家一起討論討論！

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: