python/pandas数据分析(十六)- 数据索引与选取
2017-01-10 10:37
591 查看
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[]
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.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.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.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
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[]
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.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
f.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']]
相关文章推荐
- 利用Pandas进行数据分析(3)——统计、处理缺失值、层次化索引
- 数据分析之Pandas-02多层次化索引和拼接
- pandas数据清洗,排序,索引设置,数据选取
- 数据分析之Pandas(一):Series、DataFrame基本操作及索引对象
- 利用Python进行数据分析(11) pandas基础: 层次化索引
- 利用Python进行数据分析(11) pandas基础: 层次化索引
- 数据分析之Pandas(二):索引、过滤 、算术运算、 函数应用和映射
- Python数据分析:pandas中Dataframe的groupby与索引
- pandas数据清洗,排序,索引设置,数据选取方法
- pandas数据清洗,排序,索引设置,数据选取
- 数据分析之Pandas-03多行索引和数据处理
- python科学计算笔记(四)pandas 数据索引与选取
- python/pandas/numpy数据分析(十)-函数, rank,重复索引
- pandas 数据索引与选取
- mongoDB批量插入数据性能分析、索引效率
- elasticsearch源码分析---索引数据
- 大数据量索引分析
- Python 数据分析包:pandas 基础
- SQLite学习手册(索引和数据分析/清理)
- 使用Logstash + Elasticsearch作为大数据索引、分析工具