pandas读取某列、某行数据——loc、iloc用法总结

简介: pandas读取某列、某行数据——loc、iloc用法总结

实际操作中我们经常需要寻找数据的某行或者某列,这里介绍我在使用Pandas时用到的两种方法:iloc和loc。

目录


1.loc方法


(1)读取第二行的值


(2)读取第二列的值


(3)同时读取某行某列


(4)读取DataFrame的某个区域


(5)根据条件读取


(6)也可以进行切片操作


2.iloc方法


(1)读取第二行的值


(2)读取第二行的值


(3)同时读取某行某列


(4)进行切片操作


loc:通过行、列的名称或标签来索引


iloc:通过行、列的索引位置来寻找数据


首先,我们先创建一个Dataframe,生成数据,用于下面的演示

import pandas as pd
import numpy as np
# 生成DataFrame
data = pd.DataFrame(np.arange(30).reshape((6,5)),
                    columns=['A','B','C','D','E'])


# 写入本地

data.to_excel("D:\\实验数据\\data.xls", sheet_name="data")
print(data)

image.png

1.loc方法

loc方法是通过行、列的名称或者标签来寻找我们需要的值。


(1)读取第二行的值

# 索引第二行的值,行标签是“1”

data1 = data.loc[1]

       结果:

image.png



备注:

#下面两种语法效果相同

data.loc[1] == data.loc[1,:]

(2)读取第二列的值

# 读取第二列全部值

data2 = data.loc[ : ,"B"]

       结果:

image.png



(3)同时读取某行某列

# 读取第1行,第B列对应的值

data3 = data.loc[ 1, "B"]

       结果:

image.png


(4)读取DataFrame的某个区域

# 读取第1行到第3行,第B列到第D列这个区域内的值

data4 = data.loc[ 1:3, "B":"D"]

       结果:

image.png



(5)根据条件读取

# 读取第B列中大于6的值

data5 = data.loc[ data.B > 6] #等价于 data5 = data[data.B > 6]

       结果:

image.png



(6)也可以进行切片操作

# 进行切片操作,选择B,C,D,E四列区域内,B列大于6的值

data1 = data.loc[ data.B >6, ["B","C","D","E"]]

结果:

image.png



2.iloc方法

iloc方法是通过索引行、列的索引位置[index, columns]来寻找值


(1)读取第二行的值

# 读取第二行的值,与loc方法一样

data1 = data.iloc[1]

# data1 = data.iloc[1, :],效果与上面相同

       结果:

image.png



(2)读取第二列的值

# 读取第二列的值

data1 = data.iloc[:, 1]

       结果:

image.png



(3)同时读取某行某列

# 读取第二行,第二列的值

data1 = data.iloc[1, 1]

       结果:

image.png



(4)进行切片操作

# 按index和columns进行切片操作

# 读取第2、3行,第3、4列

data1 = data.iloc[1:3, 2:4]

       结果:


image.png


注意:


这里的区间是左闭右开,data.iloc[1:3, 2:4]中的第4行、第5列取不到


相关文章
|
11天前
|
存储 JSON 数据处理
从JSON数据到Pandas DataFrame:如何解析出所需字段
从JSON数据到Pandas DataFrame:如何解析出所需字段
26 1
|
8天前
|
数据采集 监控 数据可视化
Pandas平滑法时序数据
【5月更文挑战第17天】本文介绍了使用Python的Pandas库实现指数平滑法进行时间序列预测分析。指数平滑法是一种加权移动平均预测方法,通过历史数据的加权平均值预测未来趋势。文章首先阐述了指数平滑法的基本原理,包括简单指数平滑的计算公式。接着,展示了如何用Pandas读取时间序列数据并实现指数平滑,提供了示例代码。此外,文中还讨论了指数平滑法在实际项目中的应用,如销售预测和库存管理,并提到了在`statsmodels`库中使用`SimpleExpSmoothing`函数进行模型拟合和预测。最后,文章强调了模型调优、异常值处理、季节性调整以及部署和监控的重要性,旨在帮助读者理解和应用这一方法
17 2
 Pandas平滑法时序数据
|
11天前
|
数据挖掘 数据处理 索引
使用Pandas从Excel文件中提取满足条件的数据并生成新的文件
使用Pandas从Excel文件中提取满足条件的数据并生成新的文件
20 1
|
11天前
|
数据采集 数据处理 索引
如何使用 Pandas 删除 DataFrame 中的非数字类型数据?
如何使用 Pandas 删除 DataFrame 中的非数字类型数据?
29 3
|
11天前
|
存储 数据挖掘 数据处理
使用pandas高效读取筛选csv数据
本文介绍了使用Python的Pandas库读取和处理CSV文件。首先,确保安装了Pandas,然后通过`pd.read_csv()`函数读取CSV,可自定义分隔符、列名、索引等。使用`head()`查看数据前几行,`info()`获取基本信息。Pandas为数据分析提供强大支持,是数据科学家的常用工具。
25 0
|
11天前
|
数据挖掘 数据处理 索引
如何使用Python的Pandas库进行数据筛选和过滤?
Pandas是Python数据分析的核心库,提供DataFrame数据结构。基本步骤包括导入库、创建DataFrame及进行数据筛选。示例代码展示了如何通过布尔索引、`query()`和`loc[]`方法筛选`Age`大于19的记录。
29 0
|
11天前
|
索引 Python
如何使用Pandas进行数据合并?
Pandas提供`merge()`, `join()`, `concat()`等方法进行数据合并。基本步骤包括导入pandas库、创建或加载DataFrame,然后调用这些方法合并数据。示例中展示了如何使用`merge()`和`join()`:创建两个DataFrame `df1`和`df2`,通过`merge()`基于索引合并,以及`join()`进行外连接合并。
22 0
|
11天前
|
SQL 数据采集 数据可视化
使用Python Pandas实现两表对应列相加(即使表头不同)
使用Python Pandas实现两表对应列相加(即使表头不同)
34 3
|
5天前
|
数据采集 数据可视化 数据处理
利用Python和Pandas库实现高效的数据处理与分析
在大数据和人工智能时代,数据处理与分析已成为不可或缺的一环。Python作为一门强大的编程语言,结合Pandas库,为数据科学家和开发者提供了高效、灵活的数据处理工具。本文将介绍Pandas库的基本功能、优势,并通过实际案例展示如何使用Pandas进行数据清洗、转换、聚合等操作,以及如何利用Pandas进行数据可视化,旨在帮助读者深入理解并掌握Pandas在数据处理与分析中的应用。
|
6天前
|
架构师 数据挖掘 Python
最全pandas库(Python),2024年最新阿里云架构师面试
最全pandas库(Python),2024年最新阿里云架构师面试
最全pandas库(Python),2024年最新阿里云架构师面试