pandas子集选取的三种方法：[]、.loc[]、.iloc[]

pandas读取Excel、csv文件中的数据时，得到的大多是表格型的二维数据，在pandas中对应的即为DataFrame数据结构。在处理这类数据时，往往要根据据需求先获取数据中的子集，如某些列、某些行、行列交叉的部分等。可以说子集选取是一个非常基础、频繁使用的操作，而DataFrame的子集选取看似简单却有一定复杂性。本文聚焦DataFrame的子集选取操作逻辑，力求在实战中遇到子集选取操作的需求时"不迷路"。

一、图解DataFrame

DataFrame是一种二维的表格型数据结构，每一行/列都有对应的标签和位置序号。行列标签、位置序号的对应关系如下图所示：

• 列标签（也叫列名：columns）
• 行标签（也叫行索引：index）默认为(0, 1, 2, …, n)。这里与位置序号恰好一致。

针对DataFrame的数据结构，pandas提供了三种获取子集的索引器：[]、.loc[]、.iloc[]。

• df[]：快捷的整行整列选取

• df.loc[]：按标签的行列交叉选取

• df.iloc[]：按位置序号的行列交叉选取

二、整行整列选取：df[]

df['列标签']，选取单个整列

# 选取“日期”列
df['日期']

df[标签列表]，选取多个整列

# 选取“最高温”，“最低温”，“风力风向”三列
df[['最高温','最低温','风力风向']]

df[切片]，选取整行

# 选取行索引值1、2、3的整行。切片左闭右开
df[1:4]

切片语法也支持字符串的索引标签值，如将"日期"列修改为行索引（index）

df1 = df.set_index("日期")

# 下面两个切片选取的行是一样的
df1[1:4]  #按位置序号的切片，左闭右开
df1['2021-12-02 周四':'2021-12-04 周六']  # 按行标签的切片，左闭右闭

df[]语法小结：

• df[]语法中，方括号内输入标签名或列表选取的是列；而方括号内输入切片、条件选取的是行（条件筛选在下文单独介绍）。
• df[]输入切片选取整行时，如果是按照位置序号的切片，左闭右开；按行标签的切片，左闭右闭。

三、行列交叉选取

行列交叉选择，可以通过df.loc[]和df.iloc[]两个索引器来实现，两者都需要输入两组参数，先行选择，后列选择。行、列选择都可以是单个标签（序号）、列表和切片。根据需求组合使用，威力强大！

df.loc[行选择,列选择]。参数面向的是标签。

df.iloc[行位置序号,列位置序号]。参数面向的是位置序号。

• 行：单个数值，列：单个数值

df1.loc['2021-12-05 周日','空气质量指数']
df1.iloc[4,4]

• 行：列表，列：列表

df1.loc[['2021-12-05 周日','2021-12-07 周二'],['最高温','最低温','风力风向']]
df1.iloc[[4,6],[0,1,3]]

• 行：切片，列：切片

df1.loc['2021-12-01 周三':'2021-12-03 周五','天气':'空气质量指数']
df1.iloc[:3,2:5]

• 行：切片(全选)，列：列表

df1.loc[:,['最高温','最低温']]
df1.iloc[:,[0,1]]

四、按条件筛选子集

df.[]、df.loc[]、df.iloc[]除了按照行列的标签和位置序号选取子集，还可以使用条件（布尔表达式）筛选子集。

筛选最高温、最低温

将最高温、最低温处理成数值型：

df1.loc[:,'最高温'] = df1['最高温'].str.replace('°','').astype('float32')
df1.loc[:,'最低温'] = df1['最低温'].str.replace('°','').astype('float32')

获取最高温大于10度，最低温小于6度的数据

#  df.[]的写法
df1[(df1['最高温']>10) & (df1['最低温']<6)]
#  df.loc[]的写法
df1.loc[(df1['最高温']>10) & (df1['最低温']<6),:]
# &与、|或、~非
df1.loc[(df1['最高温']>10) & ~(df1['最低温']>=6),:]

五、函数筛选子集

# 匿名函数lambda表达式，获取最高温大于10度，最低温小于6度的数据
df1.loc[lambda df : (df['最高温']>10) & (df['最低温']<6)]

获取前9天并且空气质量指数为优

# 自定义函数，返回值是布尔数组
def queryData(df):
    return df.index.str.startswith('2021-12-0') & df['空气质量指数'].str.endswith('优')

df1.loc[queryData , :]

小结

在pandast提供的df[]、df.loc[]、df.iloc[]这个三种索引器，前两个更为常用。df[]在整行或者整列获取时更为方便。整行整列选取可以看作是行列交叉选取的一个特例，故df.loc[]是更为通用的方法，它支持单个标签值、列表多选、切片区间、条件（布尔）表达式、函数调用五种方式索引子集，功能强大。