数学建模之数据分析【七】:对Pandas DataFrame 进行切片

文章目录

对 Pandas DataFrames 进行切片,是一种强大的技术,允许根据整数位置或标签位置提取特定的数据子集。本文,我们将学习行和列切片、单元格选择和布尔条件的用法。

一、切片简介

借助 Pandas,我们可以在 Dataframe 中执行切片。使用 Pandas Dataframe 进行切片iloc[] 是 Python 中提取特定数据子集的一种强大技术。该iloc[] 方法允许您根据行和列的整数位置来定位和提取它们。

要使用 执行切片iloc[],请指定要包含在切片数据框中的行和列索引。语法类似于传统的数组切片,对于 Python 用户来说非常直观。例如,df.iloc[1:5, 2:4]从数据框中提取第 2 至第 5 行和第 3 至第 4 列。

在 Pandas 中对 DataFrame 进行切片包括以下步骤:

  1. 创建 DataFrame
  2. 对 DataFrame 进行切片

二、创建Pandas数据框

python 复制代码
import pandas as pd
 
# Initializing the nested list with Data set
player_list = [['M.S.Dhoni', 36, 75, 5428000],
               ['A.B.D Villers', 38, 74, 3428000],
               ['V.Kohli', 31, 70, 8428000],
               ['S.Smith', 34, 80, 4428000],
               ['C.Gayle', 40, 100, 4528000],
               ['J.Root', 33, 72, 7028000],
               ['K.Peterson', 42, 85, 2528000]]
 
# creating a pandas dataframe
df = pd.DataFrame(player_list, columns=['Name', 'Age', 'Weight', 'Salary'])
df # data frame before slicing

运行结果:

三、使用iloc进行切片

3.1 对行进行切片

python 复制代码
# Slicing rows in data frame
df1 = df.iloc[0:4]  #对第一行到第四行进行切片
# data frame after slicing
df1

3.2 对列进行切片

对列进行切片:

python 复制代码
# Slicing columnss in data frame
df1 = df.iloc[:, 0:2]#所有行,第1,2列
# data frame after slicing
df1

3.3 Dataframe选中特定单元格

选中特定单元格,列入第三行,第四列:

python 复制代码
specific_cell_value = df.iloc[2, 3]  # Row 3, Column 4 (Salary)
print("Specific Cell Value:", specific_cell_value)

输出:

8428000

四、使用loc创建切片

还可以通过 loc 实现切片,但有一些限制:

  • loc依赖于标签,如果您的 DataFrame 有自定义标签,您需要小心指定它们的方式。
  • 如果标签是整数,则使用整数位置和实际标签之间可能会产生混淆。

为此,我们需要使用以下代码手动将索引设置为标签:

python 复制代码
df_custom = df.set_index('Name')
df_custom

运行结果:

4.1 使用Python对Dataframe中的行进行切片

python 复制代码
sliced_rows_custom = df_custom.loc['A.B.D Villers':'S.Smith']
sliced_rows_custom

4.2 指定单元格

python 复制代码
specific_cell_value = df_custom.loc['V.Kohli', 'Salary']
print("\nValue of the Specific Cell (V.Kohli, Salary):", specific_cell_value)

五、在Python中使用布尔条件

python 复制代码
filtered_data = df[df['Age'] > 35].iloc[:, :]  # Select rows where Age is greater than 35
print("\nFiltered Data based on Age > 35:\n", filtered_data)

iloc()只是分割,df可做筛选。

六、结论

总而言之,iloc[] 和 loc[] 均在 Pandas 中提供多种切片功能。iloc[] 基于整数,而 loc[] 则依赖于标签,因此在使用自定义索引或混合数据类型时需要仔细考虑。

相关推荐
等一个自然而然的晴天~4 分钟前
B. And It‘s Non-Zero
算法
清泉-通达信编程专家-苏大毕业14 分钟前
N字形上升形态选股代码如何编写?
c语言·开发语言·算法·青少年编程·启发式算法
云天徽上37 分钟前
【数据可视化-33】病毒式社交媒体潮流与用户参与度可视化分析
机器学习·信息可视化·数据挖掘·数据分析·媒体
点云SLAM1 小时前
点云配准算法之NDT算法原理详解
人工智能·算法·数学建模·点云配准算法·ndt配准算法·概率模型配准算法
AI蜗牛车1 小时前
【LLM+Code】Cursor Agent 46.11 版本Prompt&Tools最细致解读
人工智能·算法·语言模型
奋进的小暄2 小时前
数据结构(java)二叉树的基本操作
java·数据结构·算法
小L爱科研2 小时前
5.3/Q1,GBD数据库最新文章解读
数据库·数据分析·逻辑回归·线性回归·健康医疗
是店小二呀2 小时前
【优选算法 | 滑动窗口】滑动窗口算法:高效处理子数组和子串问题
c++·算法
robin_suli2 小时前
链表系列一>两两交换链表中的结点
数据结构·算法·链表
KyollBM2 小时前
【CF】Day44——Codeforces Round 908 (Div. 2) C + Codeforces Round 1020 (Div. 3) DE
算法