pandas中的loc和iloc

loc和iloc的比较

.loc 和 .iloc 是 pandas 提供的两种不同的索引方法，它们的主要区别在于索引数据的依据：

.loc：
- 基于标签的索引，使用 DataFrame 或 Series 的索引标签（即行名和列名）来获取数据。
- 可以使用单个标签、标签列表、标签切片、布尔数组或者 callable 函数作为索引器。
- 如果使用标签索引并且标签不存在，.loc 会抛出一个 KeyError。
- 对于切片，包括两端的标签。
.iloc：
- 基于位置的索引，使用 DataFrame 或 Series 的整数索引位置来获取数据。
- 可以使用单个整数、整数列表、整数切片、布尔数组或者 callable 函数作为索引器。
- 如果使用整数索引并且位置超出范围，.iloc 会抛出一个 IndexError，但切片索引器允许超出范围的索引。
- 对于切片，不包括结束位置的索引，这与 Python 的列表切片行为一致。
  简而言之，.loc 用于根据数据的实际标签（名称）进行索引，而 .iloc 用于根据数据的实际位置（整数索引）进行索引。选择哪一种方法取决于您是否知道数据的标签，或者是否需要按照数据的实际位置进行操作。

示例

下面为 .loc 和 .iloc 提供一个例子，以说明它们在 DataFrame 中的使用。

`.loc` 示例

假设我们有一个 DataFrame，其中包含了某些水果的库存信息，包括它们的种类和数量。DataFrame 的索引是水果的名称，列是 ‘库存数量’。

import pandas as pd
# 创建一个示例 DataFrame
data = {'库存数量': [10, 20, 30, 40]}
df = pd.DataFrame(data, index=['苹果', '香蕉', '樱桃', '梨'])

现在，如果我们想要选择所有库存数量大于 20 的水果，我们可以使用 .loc 和一个布尔数组：

# 使用布尔索引选择库存数量大于 20 的行
selected_fruits = df.loc[df['库存数量'] > 20]
print(selected_fruits)

输出将是：

     库存数量
樱桃     30
梨       40

`.iloc` 示例

使用同一个 DataFrame，如果我们想要选择前两个水果的库存数量，我们可以使用 .iloc 和一个整数列表：

# 使用整数索引选择前两个行的数据
first_two_fruits = df.iloc[[0, 1]]
print(first_two_fruits)

输出将是：

     库存数量
苹果     10
香蕉     20

或者，如果我们想要选择前两个水果的库存数量，也可以使用切片：

# 使用切片选择前两个行的数据
first_two_fruits = df.iloc[0:2]
print(first_two_fruits)

输出将是：

     库存数量
苹果     10
香蕉     20

请注意，在 .iloc 中使用切片时，结束索引是不包含的，这与 Python 的列表切片和 .loc 的行为不同。

两个结合起来使用:
在这里插入图片描述

需要注意的一些问题

在使用 .loc 和 .iloc 进行数据索引时，有些常见的错误需要避免，以确保正确地获取数据。以下是一些需要注意的问题：

使用错误的索引方法：
- 使用 .loc 时使用整数索引，而不是标签索引。
- 使用 .iloc 时使用标签，而不是整数位置索引。
索引超出范围：
- 使用 .iloc 时，提供的整数索引超出 DataFrame 或 Series 的范围。
- 使用 .loc 时，提供的标签不存在于 DataFrame 或 Series 的索引中。
切片包含性误解：
- 对于 .loc，切片包括两端的标签，而对于 .iloc，切片不包括结束位置的索引。混淆这一点可能导致意外的结果。
布尔索引的错误使用：
- 在 .loc 或 .iloc 中使用布尔索引时，错误地将条件表达式写错，导致选择错误的数据行。
对多级索引（MultiIndex）的不正确处理：
- 当 DataFrame 有多级索引时，没有正确地使用元组来指定各级索引，导致选择错误的数据。
使用 = 赋值而不是 == 进行比较：
- 在布尔索引时，错误地使用 = 进行赋值操作，而不是 == 进行比较。
对 callable 索引器的错误使用：
- 使用 callable 作为索引器时，返回的索引不正确或者与 DataFrame 的形状不匹配。
在链式索引中不使用括号：
- 当进行链式索引操作时（即连续使用 .loc 或 .iloc），没有使用括号将索引操作括起来，可能会导致解析错误。
对 None 和 NaN 的混淆：
- 在布尔索引中，错误地将 None 和 NaN 混淆，这可能会导致意外的过滤结果。