跳到主要内容

Pandas 位置索引

在Pandas中，位置索引是一种基于数据的位置（行和列的整数位置）来选择数据的方法。与标签索引不同，位置索引不依赖于数据的标签，而是依赖于数据在DataFrame或Series中的物理位置。这使得位置索引在处理没有明确标签或需要按位置选择数据时非常有用。

1. 什么是位置索引？​

位置索引是通过整数位置来访问DataFrame或Series中的数据。Pandas提供了两种主要的方法来实现位置索引：

  • .iloc[]：基于整数位置的选择方法。
  • .iat[]：用于快速访问单个元素的位置索引方法。

1.1 .iloc[] 方法​

.iloc[] 是Pandas中最常用的位置索引方法。它允许你通过行和列的整数位置来选择数据。语法如下：

python
df.iloc[行索引, 列索引]
  • 行索引：可以是单个整数、整数列表、切片或布尔数组。
  • 列索引：可以是单个整数、整数列表、切片或布尔数组。

示例 1：选择单行​

python
import pandas as pd

data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df = pd.DataFrame(data)

# 选择第一行
print(df.iloc[0])

输出：

A    1
B    4
C    7
Name: 0, dtype: int64

示例 2：选择多行和多列​

python
# 选择前两行和前两列
print(df.iloc[0:2, 0:2])

输出：

   A  B
0  1  4
1  2  5

1.2 .iat[] 方法​

.iat[] 是 .iloc[] 的快速版本，专门用于访问单个元素。它的语法如下：

python
df.iat[行索引, 列索引]

示例 3：访问单个元素​

python
# 访问第一行第一列的元素
print(df.iat[0, 0])

输出：

1
提示

.iat[] 比 .iloc[] 更快，因为它直接访问底层数据，而不需要处理行和列的标签。

2. 实际应用场景​

2.1 数据清洗​

在数据清洗过程中，你可能需要根据位置来选择和处理数据。例如，删除某些行或列，或者替换某些值。

python
# 删除第一行
df = df.iloc[1:]
print(df)

输出：

   A  B  C
1  2  5  8
2  3  6  9

2.2 数据切片​

在处理时间序列数据时，你可能需要根据位置来选择特定的时间段。

python
# 选择前两行
print(df.iloc[:2])

输出：

   A  B  C
0  1  4  7
1  2  5  8

3. 总结​

位置索引是Pandas中一种强大的数据选择工具，特别适用于需要基于整数位置选择数据的场景。通过 .iloc[] 和 .iat[]，你可以灵活地访问和操作DataFrame或Series中的数据。

备注

记住，位置索引从0开始，与Python的列表索引一致。

4. 附加资源与练习​

  • 练习 1：创建一个包含5行4列的DataFrame，并使用 .iloc[] 选择第2到第4行和第1到第3列。
  • 练习 2：使用 .iat[] 访问DataFrame中的某个特定元素，并尝试修改它的值。
警告

在使用位置索引时，确保索引值在有效范围内，否则会引发 IndexError。

通过掌握位置索引，你将能够更高效地处理和分析数据。继续练习，你会发现它在实际应用中的强大之处！