loc和iloc的區別，這兩個有點容易混淆,因此需要特殊方式來加強記憶

總結：

1. loc使用范圍比iloc更廣更實用，loc可以使用切片、名稱(index,columns)、也可以切片和名稱混合使用；但是loc不能使用不存在的索引來充當切片取值,像-1

2. iloc只能用整數來取數

3. 不借助loc和iloc

data=DataFrame(np.arange(16).reshape(4,4),index=list(“ABCD”),columns=list(“wxyz”))
print(data)

#可以直接取列索引,行索引卻不行
aa=data[“w”]
bb=data[1:2] #行數值切片
cc=data[1:2,1:2] #不能同時切片,也就是中間不能有逗號

推薦使用loc

iloc: i可以看著int,因此iloc就是用數字(int)來取數據的.
iloc使用情況： 使用整數通過切片等方式取數
比如：

# 切片
# 下面兩種方法有同樣的效果; 表示取出df中1：5行(不包括5)和3：6列
1 df.iloc[1:5,3:6] 
2 df.iloc[[1,2,3,4],[3,4,5]] 
# 另外 df.iloc[0]、df.iloc[1]、df.iloc[-1] 分別表示第一行、第二行、最后一行
# 同理df.iloc[:,0]、df.iloc[:,1]、df.iloc[:,-1] 分別表示第一列、第二列、最后一列

loc的使用范圍要遠高于iloc, loc也能夠做到iloc的切片取數, 除了df.loc[-1]
loc使用情況：
使用切片、索引、列名稱查找
按條件(bool)查找

比如：

pandas中iloc、loc的用法和區別
時間:2020-03-17
本文章向大家介紹pandas中iloc、loc的用法和區別，主要包括pandas中iloc、loc的用法和區別使用實例、應用技巧、基本知識點總結和需要注意事項，具有一定的參考價值，需要的朋友可以參考一下。loc和iloc的區別，這兩個有點容易混淆,因此需要特殊方式來加強記憶總結：1. loc使用范圍比iloc更廣更實用，loc可以使用切片、名稱(index,columns)、也可以切片和名稱混合使用；但是loc不能使用不存在的索引來充當切片取值,像-12. iloc只能用整數來取數推薦使用lociloc: i可以看著int,因此iloc就是用數字(int)來取數據的.
iloc使用情況： 使用整數通過切片等方式取數
比如：# 切片
# 下面兩種方法有同樣的效果; 表示取出df中1：5行(不包括5)和3：6列
1 df.iloc[1:5,3:6] 
2 df.iloc[[1,2,3,4],[3,4,5]] 
# 另外 df.iloc[0]、df.iloc[1]、df.iloc[-1] 分別表示第一行、第二行、最后一行
# 同理df.iloc[:,0]、df.iloc[:,1]、df.iloc[:,-1] 分別表示第一列、第二列、最后一列loc的使用范圍要遠高于iloc, loc也能夠做到iloc的切片取數, 除了df.loc[-1]
loc使用情況：
使用切片、索引、列名稱查找
按條件(bool)查找比如：1 # 切片
2 hy_data.loc[2:4,]
3 hy_data.loc[[0,1,2,3],:]
4 # 切片和名稱混合
5 hy_data.loc[2:4,'用戶編號']
6 # 按條件取數
7 # 表示取出df中“行業分類”列值的長度等于6的所有行
8 hy_data.loc[hy_data['行業分類'].str.len() == 6, :]

loc——通過行標簽索引行數據
iloc——通過行號索引行數據
ix——通過行標簽或者行號索引行數據（基于loc和iloc 的混合）
標簽切片，如’a’:‘c’，與序列切片如0:2不同，后者不包含index=2的元素，前者包含結束標簽’c’所在的行。
布爾類型數組作為標簽，例如[True, False]等價于[‘a’,‘c’]

1.loc

import numpy as np
import pandas as pd
from pandas import *
from numpy import *data=DataFrame(np.arange(16).reshape(4,4),index=list("ABCD"),columns=list("wxyz"))
print(data)
#    w   x   y   z
#A   0   1   2   3
#B   4   5   6   7
#C   8   9  10  11
#D  12  13  14  15#loc
#行的選取
print(data.loc["A"])
print(type(data.loc["A"]))
#w    0
#x    1
#y    2
#z    3
#Name: A, dtype: int32
#<class 'pandas.core.series.Series'>print(data.loc[["A"]])
print(type(data.loc[["A"]]))
#   w  x  y  z
#A  0  1  2  3
#<class 'pandas.core.frame.DataFrame'>
#綜上，[]返回Series,[[]]返回DataFrameprint(data.loc["A","w"])
print(type(data.loc["A","w"]))
#0
#<class 'numpy.int32'>print(data.loc[:,"w"])
print(type(data.loc[:,"w"]))
#A     0
#B     4
#C     8
#D    12
#Name: w, dtype: int32
#<class 'pandas.core.series.Series'>print(data.loc["A":"C"])
print(type(data.loc["A":"C"]))
#   w  x   y   z
#A  0  1   2   3
#B  4  5   6   7
#C  8  9  10  11
#<class 'pandas.core.frame.DataFrame'>print(data.loc["A":"C","w":"y"])
print(type(data.loc["A":"C","w":"y"]))
#   w  x   y
#A  0  1   2
#B  4  5   6
#C  8  9  10
#<class 'pandas.core.frame.DataFrame'>print(data.loc[["A","C"],["w","y"]])
print(type(data.loc[["A","C"],["w","y"]]))
#   w   y
#A  0   2
#C  8  10
#<class 'pandas.core.frame.DataFrame'>print(data.loc[:,["w","y"]])
print(type(data.loc[:,["w","y"]]))
#    w   y
#A   0   2
#B   4   6
#C   8  10
#D  12  14
#<class 'pandas.core.frame.DataFrame'>#列的選取
print(data["w"])#等同于print(data.loc[:,"w"])
#A     0
#B     4
#C     8
#D    12
#Name: w, dtype: int32
print(data.loc[:,"w"])
#A     0
#B     4
#C     8
#D    12
#Name: w, dtype: int32
print(data["w"].equals(data.loc[:,"w"]))#True#根據特殊條件選取行列
print(data["w"]>5)
#A    False
#B    False
#C     True
#D     True
#Name: w, dtype: boolprint(data.loc[data["w"]>5])
#    w   x   y   z
#C   8   9  10  11
#D  12  13  14  15
print(data.loc[data["w"]>5,"w"])
print(type(data.loc[data["w"]>5,"w"]))
#C     8
#D    12
#Name: w, dtype: int32
#<class 'pandas.core.series.Series'>
print(data.loc[data["w"]>5,["w"]])
print(type(data.loc[data["w"]>5,["w"]]))
#    w
#C   8
#D  12
#<class 'pandas.core.frame.DataFrame'>
print(data["w"]==0)
print(data.loc[lambda data:data["w"]==0])
print(type(data.loc[lambda data:data["w"]==0]))
#A     True
#B    False
#C    False
#D    False
#Name: w, dtype: bool
#   w  x  y  z
#A  0  1  2  3
#<class 'pandas.core.frame.DataFrame'>#loc賦值
print(data)
#    w   x   y   z
#A   0   1   2   3
#B   4   5   6   7
#C   8   9  10  11
#D  12  13  14  15
data.loc[["A","C"],["w","x"]]=999
print(data)
#     w    x   y   z
#A  999  999   2   3
#B    4    5   6   7
#C  999  999  10  11
#D   12   13  14  15

2.iloc

data=DataFrame(np.arange(16).reshape(4,4),index=list("ABCD"),columns=list("wxyz"))
print(data)
#    w   x   y   z
#A   0   1   2   3
#B   4   5   6   7
#C   8   9  10  11
#D  12  13  14  15print(data.iloc[0])
print(type(data.iloc[0]))
#w    0
#x    1
#y    2
#z    3
#Name: A, dtype: int32
#<class 'pandas.core.series.Series'>
#print(data.iloc["A"])報錯#print(data.loc[0])報錯
print(data.loc[["A"]])
print(type(data.loc["A"]))
#   w  x  y  z
#A  0  1  2  3
#<class 'pandas.core.series.Series'>

3.iloc和loc差別
iloc是按照行數取值，而loc按著index名取值

data=DataFrame(np.arange(16).reshape(4,4),index=list("1234"),columns=list("wxyz"))
print(data)
#    w   x   y   z
#1   0   1   2   3
#2   4   5   6   7
#3   8   9  10  11
#4  12  13  14  15
print(data.iloc[0])
#w    0
#x    1
#y    2
#z    3
#Name: 1, dtype: int32
#print(data.loc[0])報錯

總結

以上是生活随笔為你收集整理的iloc loc 区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。