文章目录
-
- 一、切片简介
- 二、创建Pandas数据框
- 三、使用iloc进行切片
-
- [3.1 对行进行切片](#3.1 对行进行切片)
- [3.2 对列进行切片](#3.2 对列进行切片)
- [3.3 Dataframe选中特定单元格](#3.3 Dataframe选中特定单元格)
- 四、使用loc创建切片
-
- [4.1 使用Python对Dataframe中的行进行切片](#4.1 使用Python对Dataframe中的行进行切片)
- [4.2 指定单元格](#4.2 指定单元格)
- 五、在Python中使用布尔条件
- 六、结论
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:
- 创建 DataFrame
- 对 DataFrame 进行切片
二、创建Pandas数据框
python
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
# 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
# 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
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
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
sliced_rows_custom = df_custom.loc['A.B.D Villers':'S.Smith']
sliced_rows_custom
4.2 指定单元格
python
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
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。