Python中Pandas的loc和iloc的区别与使用实例

在Pandas中，loc和iloc是两个常用的方法，用于基于标签（label）和整数位置（integer location）来选择数据。尽管两者在功能上有重叠，但它们在用法和性能上有所不同。下面将详细解释它们之间的区别，并通过实例来演示它们的使用。

loc vs iloc

• loc：基于标签进行选择。它使用行标签和列标签来选择数据。对于DataFrame，这些标签通常是列名和行索引。
• iloc：基于整数位置进行选择。它使用基于0的索引来选择数据，忽略行标签和列标签的实际值。

使用实例

假设我们有一个如下的DataFrame：

import pandas as pddata = {'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],'C': [9, 10, 11, 12],'D': [13, 14, 15, 16]
}df = pd.DataFrame(data, index=['row1', 'row2', 'row3', 'row4'])
print(df)

输出：

      A  B   C   D
row1  1  5   9  13
row2  2  6  10  14
row3  3  7  11  15
row4  4  8  12  16

使用loc

1. 选择索引为’row2’的行：

print(df.loc['row2'])

输出：

A     2
B     6
C    10
D    14
Name: row2, dtype: int64

2. 选择列’A’和’C’：

print(df.loc[:, ['A', 'C']])

输出：

      A   C
row1  1   9
row2  2  10
row3  3  11
row4  4  12

使用iloc

1. 选择第二行（基于0的索引）：

print(df.iloc[1])

输出：

A     2
B     6
C    10
D    14
Name: row2, dtype: int64

注意，尽管这里我们选择了索引为1的行，但输出的行标签仍然是’row2’，因为iloc是基于整数位置选择的，而不是基于标签。

2. 选择前两列：

print(df.iloc[:, :2])

输出：

      A  B
row1  1  5
row2  2  6
row3  3  7
row4  4  8

注意事项

• 当DataFrame的索引是整数时，使用loc可能会产生混淆，因为此时标签和位置可能会重叠。在这种情况下，使用iloc会更清晰。
• loc通常比iloc更快，因为loc使用标签进行选择，这通常是一个哈希操作，而iloc可能需要额外的步骤来将整数位置映射到实际的标签。
• 在某些情况下，使用loc和iloc的组合可以实现更复杂的选择逻辑。