pandas之loc iloc ix

首先，介紹這三種方法的概述：

loc: loc gets rows (or columns) with particular labels from the index. loc從索引中獲取具備特定標籤的行（或列）。這裏的關鍵是：標籤。標籤的理解就是name名字。

iloc: gets rows (or columns) at particular positions in the index (so it only takes integers). iloc在索引中的特定位置獲取行（或列）（所以它只接受整數）。這裏的關鍵是：位置。位置的理解就是排第幾個。

ix: usually tries to behave like loc but falls back to behaving like iloc if a label is not present in the index. ix一般會嘗試像loc同樣行爲，但若是索引中不存在標籤，則會退回到像iloc同樣的行爲。

1.loc

其實，對於loc始終堅持一個原則：loc是基於label進行索引的！

import pandas as pd df1 = pd.DataFrame(data= [[1, 2, 3],[4, 5, 6], [7, 8, 9]], index=[0, 1, 2], columns=['a','b','c']) df2 = pd.DataFrame(data= [[1, 2, 3],[4, 5, 6], [7, 8, 9]], index=['e', 'f', 'g'], columns=['a','b','c']) print(df1) print(df2) ''' df1: a b c 0 1 2 3 1 4 5 6 2 7 8 9 df2: a b c e 1 2 3 f 4 5 6 g 7 8 9 '''
 
# loc索引行，label是整型數字
print(df1.loc[0]) ''' a 1 b 2 c 3 Name: 0, dtype: int64 '''
 
# loc索引行，label是字符型
print(df2.loc['e']) ''' a 1 b 2 c 3 Name: 0, dtype: int64 '''

# 若是對df2這麼寫：df2.loc[0]會報錯，由於loc索引的是label，顯然在df2的行的名字中沒有叫0的。
print(df2.loc[0]) ''' TypeError: cannot do slice indexing on <class 'pandas.core.indexes.base.Index'> with these indexers [0] of <class 'int'> '''
 
# loc索引多行數據
print(df1.loc[1:]) ''' a b c 1 4 5 6 2 7 8 9 '''
 
# loc索引多列數據
print(df1.loc[:,['a', 'b']]) ''' a b 0 1 2 1 4 5 2 7 8 '''


# df1.loc[:,0:2]這麼寫報錯, 由於loc索引的是label，顯然在df1的列的名字中沒有叫0，1和2的。
print(df1.loc[:,0:2]) ''' TypeError: cannot do slice indexing on <class 'pandas.core.indexes.base.Index'> with these indexers [0] of <class 'int'> '''
 
# locs索引某些行某些列
print(df1.loc[0:2, ['a', 'b']]) ''' a b 0 1 2 1 4 5 2 7 8 '''

2.iloc

對於iloc始終也堅持一個原則：iloc是基於position進行索引的！

import pandas as pd df1 = pd.DataFrame(data= [[1, 2, 3],[4, 5, 6], [7, 8, 9]], index=[0, 1, 2], columns=['a','b','c']) df2 = pd.DataFrame(data= [[1, 2, 3],[4, 5, 6], [7, 8, 9]], index=['e', 'f', 'g'], columns=['a','b','c']) print(df1) print(df2) ''' df1: a b c 0 1 2 3 1 4 5 6 2 7 8 9 df2: a b c e 1 2 3 f 4 5 6 g 7 8 9 '''


# iloc索引行，label是整型數字
print(df1.iloc[0]) ''' a 1 b 2 c 3 Name: 0, dtype: int64 '''
 
# iloc索引行，label是字符型。若是按照loc的寫法來寫應該是：df2.iloc['e']，顯然這樣報錯，由於iloc不認識label,它是基於位置的。
print(df2.iloc['e']) ''' TypeError: cannot do positional indexing on <class 'pandas.core.indexes.base.Index'> with these indexers [e] of <class 'str'> '''


# iloc索引行，label是字符型。正確的寫法應該以下: # 也就說，不論index是什麼類型的，iloc只能寫位置，也就是整型數字。
print(df2.iloc[0]) ''' a 1 b 2 c 3 Name: e, dtype: int64 '''
 
# iloc索引多行數據
print(df1.iloc[1:]) ''' a b c 1 4 5 6 2 7 8 9 '''
 
# iloc索引多列數據 # 若是以下寫法，報錯。
print(df1.iloc[:,['a', 'b']]) ''' TypeError: cannot perform reduce with flexible type '''


# iloc索引多列數據, 正確寫法以下：
print(df1.iloc[:,0:2]) ''' a b 0 1 2 1 4 5 2 7 8 '''
 
# iloc索引某些行某些列
print(df1.iloc[0:2, 0:1]) ''' a 0 1 1 4 '''

3.ix

注：ix的操做比較複雜，在pandas版本0.20.0及其之後版本中，ix已經不被推薦使用，建議採用iloc和loc實現ix。

（1）若是索引是整數類型，則ix將僅使用基於標籤的索引，而不會回退到基於位置的索引。若是標籤不在索引中，則會引起錯誤。

（2）若是索引不只包含整數，則給定一個整數，ix將當即使用基於位置的索引而不是基於標籤的索引。可是，若是ix被賦予另外一種類型（例如字符串），則它可使用基於標籤的索引。

接下來舉例說明這兩個特色：

>>> s = pd.Series(np.nan, index=[49,48,47,46,45, 1, 2, 3, 4, 5]) >>> s 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN 4 NaN 5    NaN

如今咱們來看使用整數3切片有什麼結果：

在這個例子中，s.iloc[:3]讀取前3行（由於iloc把3當作是位置position），而s.loc[:3]讀取的是前8行（由於loc把3看做是索引的標籤label）

>>> s.iloc[:3] # slice the first three rows
49 NaN 48 NaN 47 NaN >>> s.loc[:3] # slice up to and including label 3
49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN >>> s.ix[:3] # the integer is in the index so s.ix[:3] works like loc
49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3    NaN

注意：s.ix[:3]返回的結果與s.loc[:3]同樣，這是由於若是series的索引是整型的話，ix會首先去尋找索引中的標籤3而不是去找位置3。

若是，咱們試圖去找一個不在索引中的標籤，好比說是6呢？

>>> s.iloc[:6] 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN >>> s.loc[:6] KeyError: 6
 
>>> s.ix[:6] KeyError: 6

在上面的例子中，s.iloc[:6]正如咱們所指望的，返回了前6行。而，s.loc[:6]返回了KeyError錯誤，這是由於標籤6並不在索引中。

那麼，s.ix[:6]報錯的緣由是什麼呢？正如咱們在ix的特色1所說的那樣，若是索引只有整數類型，那麼ix僅使用基於標籤的索引，而不會回退到基於位置的索引。若是標籤不在索引中，則會引起錯誤。

若是咱們的索引是一個混合的類型，即不單單包括整型，也包括其餘類型，如字符類型。那麼，給ix一個整型數字，ix會當即使用iloc操做，而不是報KeyError錯誤。

>>> s2 = pd.Series(np.nan, index=['a','b','c','d','e', 1, 2, 3, 4, 5]) >>> s2.index.is_mixed() # index is mix of different types
True >>> s2.ix[:6] # now behaves like iloc given integer
a NaN b NaN c NaN d NaN e NaN 1   NaN

注意：在這種狀況下，ix也能夠接受非整型，這樣就是loc的操做：

>>> s2.ix[:'c'] # behaves like loc given non-integer
a NaN b NaN c NaN

這個例子就說明了ix特色2。

正如前面所介紹的，ix的使用有些複雜。若是僅使用位置或者標籤進行切片，使用iloc或者loc就好了，請避免使用ix。

4.在Dataframe中使用ix實現複雜切片

有時候，在使用Dataframe進行切片時，咱們想混合使用標籤和位置來對行和列進行切片。那麼，應該怎麼操做呢？

舉例，考慮有下述例子中的Dataframe。咱們想獲得直到包含標籤'c'的行和前4列。

>>> df = pd.DataFrame(np.nan, index=list('abcde'), columns=['x','y','z', 8, 9]) >>> df x y z 8   9 a NaN NaN NaN NaN NaN b NaN NaN NaN NaN NaN c NaN NaN NaN NaN NaN d NaN NaN NaN NaN NaN e NaN NaN NaN NaN NaN

在pandas的早期版本（0.20.0）以前，ix能夠很好地實現這個功能。

咱們可使用標籤來切分行，使用位置來切分列（請注意：由於4並非列的名字，由於ix在列上是使用的iloc）。

>>> df.ix[:'c', :4] x y z 8 a NaN NaN NaN NaN b NaN NaN NaN NaN c NaN NaN NaN NaN

在pandas的後來版本中，咱們可使用iloc和其它的一個方法就能夠實現上述功能：

>>> df.iloc[:df.index.get_loc('c') + 1, :4] x y z 8 a NaN NaN NaN NaN b NaN NaN NaN NaN c NaN NaN NaN NaN

get_loc() 是獲得標籤在索引中的位置的方法。請注意，由於使用iloc切片時不包括最後1個點，由於咱們必須加1。

能夠看到，只使用iloc更好用，由於沒必要理會ix的那2個「繁瑣」的特色。

參考文獻：https://stackoverflow.com/questions/31593201/pandas-iloc-vs-ix-vs-loc-explanation-how-are-they-different

轉載於https://blog.csdn.net/anshuai_aw1/article/details/82801435