一区二区三区在线-一区二区三区亚洲视频-一区二区三区亚洲-一区二区三区午夜-一区二区三区四区在线视频-一区二区三区四区在线免费观看

腳本之家，腳本語言編程技術及教程分享平臺！
分類導航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服務器之家 - 腳本之家 - Python - 淺談pandas中Dataframe的查詢方法([], loc, iloc, at, iat, ix)

淺談pandas中Dataframe的查詢方法([], loc, iloc, at, iat, ix)

2021-01-29 00:45ForeseeMark Python

下面小編就為大家分享一篇淺談pandas中Dataframe的查詢方法([], loc, iloc, at, iat, ix)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

pandas為我們提供了多種切片方法，而要是不太了解這些方法，就會經常容易混淆。下面舉例對這些切片方法進行說明。

數據介紹

先隨機生成一組數據：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
In [5]: rnd_1 = [random.randrange(1,20) for x in xrange(1000)]
  ...: rnd_2 = [random.randrange(1,20) for x in xrange(1000)]
  ...: rnd_3 = [random.randrange(1,20) for x in xrange(1000)]
  ...: fecha = pd.date_range('2012-4-10', '2015-1-4')
  ...:
  ...: data = pd.DataFrame({'fecha':fecha, 'rnd_1': rnd_1, 'rnd_2': rnd_2, 'rnd_3': rnd_3})
In [6]: data.describe()
Out[6]:
       rnd_1    rnd_2    rnd_3
count 1000.000000 1000.000000 1000.000000
mean   9.946000   9.825000   9.894000
std    5.553911   5.559432   5.423484
min    1.000000   1.000000   1.000000
25%    5.000000   5.000000   5.000000
50%   10.000000  10.000000  10.000000
75%   15.000000  15.000000  14.000000
max   19.000000  19.000000  19.000000

[]切片方法

使用方括號能夠對DataFrame進行切片，有點類似于python的列表切片。按照索引能夠實現行選擇或列選擇或區塊選擇。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
# 行選擇
In [7]: data[1:5]
Out[7]:
    fecha rnd_1 rnd_2 rnd_3
1 2012-04-11   1   16   3
2 2012-04-12   7   6   1
3 2012-04-13   2   16   7
4 2012-04-14   4   17   7
# 列選擇
In [10]: data[['rnd_1', 'rnd_3']]
Out[10]:
   rnd_1 rnd_3
0    8   12
1    1   3
2    7   1
3    2   7
4    4   7
5    12   8
6    2   12
7    9   8
8    13   17
9    4   7
10   14   14
11   19   16
12    2   12
13   15   18
14   13   18
15   13   11
16   17   7
17   14   10
18    9   6
19   11   15
20   16   13
21   18   9
22    1   18
23    4   3
24    6   11
25    2   13
26    7   17
27   11   8
28    3   12
29    4   2
..   ...  ...
970   8   14
971   19   5
972   13   2
973   8   10
974   8   17
975   6   16
976   3   2
977   12   6
978   12   10
979   15   13
980   8   4
981   17   3
982   1   17
983   11   5
984   7   7
985   13   14
986   6   19
987   13   9
988   3   15
989   19   6
990   7   11
991   11   7
992   19   12
993   2   15
994   10   4
995   14   13
996   12   11
997   11   15
998   17   14
999   3   8
[1000 rows x 2 columns]
# 區塊選擇
In [11]: data[:7][['rnd_1', 'rnd_2']]
Out[11]:
  rnd_1 rnd_2
0   8   17
1   1   16
2   7   6
3   2   16
4   4   17
5   12   19
6   2   7

不過對于多列選擇，不能像行選擇時一樣使用1：5這樣的方法來選擇。

?
1
2
3
4
5
In [12]: data[['rnd_1':'rnd_3']]
 File "<ipython-input-13-6291b6a83eb0>", line 1
  data[['rnd_1':'rnd_3']]
         ^
SyntaxError: invalid syntax

loc

loc可以讓你按照索引來進行行列選擇。

?
1
2
3
4
5
6
7
8
In [13]: data.loc[1:5]
Out[13]:
    fecha rnd_1 rnd_2 rnd_3
1 2012-04-11   1   16   3
2 2012-04-12   7   6   1
3 2012-04-13   2   16   7
4 2012-04-14   4   17   7
5 2012-04-15   12   19   8

這里需要注意的是，loc與第一種方法不同之處在于會把第5行也選擇進去，而第一種方法只會選擇到第4行為止。

?
1
2
3
4
5
6
data.loc[2:4, ['rnd_2', 'fecha']]
Out[14]:
  rnd_2   fecha
2   6 2012-04-12
3   16 2012-04-13
4   17 2012-04-14

loc能夠選擇在兩個特定日期之間的數據，需要注意的是這兩個日期必須都要在索引中。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
In [15]: data_fecha = data.set_index('fecha')
  ...: data_fecha.head()
Out[15]:
      rnd_1 rnd_2 rnd_3
fecha            
2012-04-10   8   17   12
2012-04-11   1   16   3
2012-04-12   7   6   1
2012-04-13   2   16   7
2012-04-14   4   17   7
In [16]: # 生成兩個特定日期
  ...: fecha_1 = dt.datetime(2013, 4, 14)
  ...: fecha_2 = dt.datetime(2013, 4, 18)
  ...:
  ...: # 生成切片數據
  ...: data_fecha.loc[fecha_1: fecha_2]
Out[16]:
      rnd_1 rnd_2 rnd_3
fecha            
2013-04-14   17   10   5
2013-04-15   14   4   9
2013-04-16   1   2   18
2013-04-17   9   15   1
2013-04-18   16   7   17

更新：如果沒有特殊需求，強烈建議使用loc而盡量少使用[]，因為loc在對DataFrame進行重新賦值操作時會避免chained indexing問題，使用[]時編譯器很可能會給出SettingWithCopy的警告。

具體可以參見官方文檔：http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

iloc

如果說loc是按照索引（index）的值來選取的話，那么iloc就是按照索引的位置來進行選取。iloc不關心索引的具體值是多少，只關心位置是多少，所以使用iloc時方括號中只能使用數值。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
# 行選擇
In [17]: data_fecha[10: 15]
Out[17]:
      rnd_1 rnd_2 rnd_3
fecha            
2012-04-20   14   6   14
2012-04-21   19   14   16
2012-04-22   2   6   12
2012-04-23   15   8   18
2012-04-24   13   8   18
# 列選擇
In [18]: data_fecha.iloc[:,[1,2]].head()
Out[18]:
      rnd_2 rnd_3
fecha         
2012-04-10   17   12
2012-04-11   16   3
2012-04-12   6   1
2012-04-13   16   7
2012-04-14   17   7
# 切片選擇
In [19]: data_fecha.iloc[[1,12,34],[0,2]]
Out[19]:
      rnd_1 rnd_3
fecha         
2012-04-11   1   3
2012-04-22   2   12
2012-05-14   17   10

at

at的使用方法與loc類似，但是比loc有更快的訪問數據的速度，而且只能訪問單個元素，不能訪問多個元素。

?
1
2
3
4
5
6
7
8
In [20]: timeit data_fecha.at[fecha_1,'rnd_1']
The slowest run took 3783.11 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 11.3 µs per loop
In [21]: timeit data_fecha.loc[fecha_1,'rnd_1']
The slowest run took 121.24 times longer than the fastest. This could mean that an intermediate result is being cached.
10000 loops, best of 3: 192 µs per loop
In [22]: data_fecha.at[fecha_1,'rnd_1']
Out[22]: 17

iat

iat對于iloc的關系就像at對于loc的關系，是一種更快的基于索引位置的選擇方法，同at一樣只能訪問單個元素。

?
1
2
3
4
5
6
7
In [23]: data_fecha.iat[1,0]
Out[23]: 1
In [24]: timeit data_fecha.iat[1,0]
The slowest run took 6.23 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 8.77 µs per loop
In [25]: timeit data_fecha.iloc[1,0]
10000 loops, best of 3: 158 µs per loop

ix

以上說過的幾種方法都要求查詢的秩在索引中，或者位置不超過長度范圍，而ix允許你得到不在DataFrame索引中的數據。

?
1
2
3
4
5
6
7
8
9
10
11
In [28]: date_1 = dt.datetime(2013, 1, 10, 8, 30)
  ...: date_2 = dt.datetime(2013, 1, 13, 4, 20)
  ...:
  ...: # 生成切片數據
  ...: data_fecha.ix[date_1: date_2]
Out[28]:
      rnd_1 rnd_2 rnd_3
fecha            
2013-01-11   19   17   19
2013-01-12   10   9   17
2013-01-13   15   3   10

如上面的例子所示，2013年1月10號并沒有被選擇進去，因為這個時間點被看作為0點0分，比8點30分要早一些。

以上這篇淺談pandas中Dataframe的查詢方法([], loc, iloc, at, iat, ix)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。

原文鏈接：https://blog.csdn.net/wr339988/article/details/65446138

延伸 · 閱讀

精彩推薦
主站蜘蛛池模板： 国产精品毛片无码 | 日韩毛片网| 男人天堂中文字幕 | 国产成人在线免费观看 | 日本xxoo动图网站欧美 | 精品人人做人人爽久久久 | 亚洲国产成人久久综合一区 | 91网红福利精品区一区二 | 男人叼女人的痛爽视频免费 | 亚洲人成伊人成综合网久久 | 国产高清不卡码一区二区三区 | 国产老妇 | 免费视频左左视频 | 欧美视频精品一区二区三区 | 四虎国产精品视频免费看 | 国产精品免费小视频 | 欧美性理论片在线观看片免费 | 欧美1| 欧美国产日韩综合 | 欧美日韩一区二区中文字幕视频 | 高清在线一区二区 | 99久久中文字幕伊人 | 视频一区精品 | 亚洲第一色网 | 国产在线观看一区 | 特黄特a级特别特级特毛片 特黄a级三级三级野战 | 天天爽天天 | 精品国产一区二区三区久久久狼 | 成人激情 | 国产另类视频一区二区三区 | 日韩欧美亚洲一区精选 | 国产成人精品免费 | 国产乱子伦在线观看不卡 | 女人日男人 | 成人国产午夜在线视频 | 亚洲国产精品一区二区三区久久 | 甜蜜惩罚小说 | 四虎影视免费观看 | 四虎影视永久在线 | 99热资源| 亚洲色图二区 |