04

2023-11-30 04:21| 来源: 网络整理| 查看: 265

04_Pandas获取和修改任意位置的值（at,iat,loc,iloc）

要在pandas.DataFrame中的任何位置检索或更改数据，可以使用at，iat，loc，iloc。

位置的指定方法 at，loc：行标签（行名），列标签（列名）iat，iloc：行号，列号选择和获取/更改的数据 at，iat：单个元素的值loc，iloc：单个元素和多个元素值选择的行/列的获取和修改列表和切片的范围指定其他 at和iat的处理速度比loc和iloc更快如果要通过组合标签和数字来指定位置，请在index或column处或loc处组合（末尾说明）

在此将描述以下内容。

at，iat：选择，获取和更改单个元素的值loc，iloc：选择，获取和更改单个和多个元素的值选择单个元素的值选择多个元素值选择行/列当行名和列名具有重复值时通过数字和标签指定位置在pandas.Series中选择行时的隐式类型转换

还可以使用直接索引df []选择/获取pandas.DataFrame的行/列和pandas.Series的元素值。

在此示例代码中，将以下csv数据与read_csv结合使用。

age state point name Alice 24 NY 64 Bob 42 CA 92 Charlie 18 CA 70 Dave 68 TX 70 Ellen 24 CA 88 Frank 30 NY 57

第一列设置为参数index_col中的index。

import pandas as pd df = pd.read_csv('./data/04/sample_pandas_normal.csv', index_col=0) print(df) # age state point # name # Alice 24 NY 64 # Bob 42 CA 92 # Charlie 18 CA 70 # Dave 68 TX 70 # Ellen 24 CA 88 # Frank 30 NY 57

行标签（索引）和列标签（列）的值如下。

print(df.index.values) # ['Alice' 'Bob' 'Charlie' 'Dave' 'Ellen' 'Frank'] print(df.columns.values) # ['age' 'state' 'point'] at，iat：选择，获取和更改单个元素的值

at通过行标签和列标签指定位置。除了获取数据之外，还可以在该位置设置（替换）新值。

print(df.at['Bob', 'age']) print(df.at['Dave', 'state']) # 42 # TX df.at['Bob', 'age'] = 60 print(df.at['Bob', 'age']) # 60

iat通过行号和列号指定位置。行号和列号以0开头。

iat和at一样，iat不仅可以获取数据，而且可以在该位置设置（替代）新值。

print(df.iat[1, 0]) print(df.iat[3, 1]) # 60 # TX df.iat[1, 0] = 42 print(df.iat[1, 0]) # 42 loc，iloc：选择，获取和更改单个和多个元素的值

loc和iloc通过指定范围不仅可以选择单个值，还可以选择多个数据。

loc通过行和列标签指定位置，而iloc通过行和列编号指定位置。

选择单个元素的值

访问单个值时，它与at和iat相同。但at和iat的处理速度更快。

print(df.loc['Bob', 'age']) print(df.iloc[3, 1]) # 42 # TX

除了查看数据外，还可以在该位置设置（替换）新值。

df.loc['Bob', 'age'] = 60 print(df.loc['Bob', 'age']) # 60 df.iloc[1, 0] = 42 print(df.iloc[1, 0]) # 42 选择多个元素值

要访问多个值，在列表[x，y]或切片[start:stop:step]中指定数据的范围和位置。引用的值将是pandas.Series或pandas.DataFrame。

切片的写入方式与普通切片相同。step可以省略。

print(df.loc['Bob':'Dave', 'age']) print(type(df.loc['Bob':'Dave', 'age'])) # name # Bob 42 # Charlie 18 # Dave 68 # Name: age, dtype: int64 # print(df.loc[:'Dave', ['age', 'point']]) print(type(df.loc[:'Dave', 'age':'point'])) # age point # name # Alice 24 64 # Bob 42 92 # Charlie 18 70 # Dave 68 70 # print(df.iloc[:3, [0, 2]]) print(type(df.iloc[:3, [0, 2]])) # age point # name # Alice 24 64 # Bob 42 92 # Charlie 18 70 #

如果指定了step，则可以提取并获取奇数或偶数行。

print(df.iloc[::2, 0]) print(type(df.iloc[::2, 0])) # name # Alice 24 # Charlie 18 # Ellen 24 # Name: age, dtype: int64 # print(df.iloc[1::2, 0]) print(type(df.iloc[1::2, 0])) # name # Bob 42 # Dave 68 # Frank 30 # Name: age, dtype: int64 #

可以一次更改多个值。

print(df.loc['Bob':'Dave', 'age']) # name # Bob 20 # Charlie 30 # Dave 40 # Name: age, dtype: int64 选择行/列

若要选择行或列，可以使用直接索引引用df []，但只能在以下指定方法中使用。

行选择：行名和行号的切片列选择：列名称或列名称列表 print(df['Bob':'Ellen']) # age state point # name # Bob 20 CA 92 # Charlie 30 CA 70 # Dave 40 TX 70 # Ellen 24 CA 88 print(df[:3]) # age state point # name # Alice 24 NY 64 # Bob 20 CA 92 # Charlie 30 CA 70 print(df['age']) # name # Alice 24 # Bob 20 # Charlie 30 # Dave 40 # Ellen 24 # Frank 30 # Name: age, dtype: int64 print(df[['age', 'point']]) # age point # name # Alice 24 64 # Bob 20 92 # Charlie 30 70 # Dave 40 70 # Ellen 24 88 # Frank 30 57

当使用loc和iloc选择行或列时，可以比索引参考df []更灵活地指定它。在loc和iloc中省略该列，则它将是行引用。可以选择无法通过索引引用完成的单行，也可以选择列表中的多行。

print(df.loc['Bob']) print(type(df.loc['Bob'])) # age 20 # state CA # point 92 # Name: Bob, dtype: object # print(df.iloc[[1, 4]]) print(type(df.iloc[[1, 4]])) # age state point # name # Bob 20 CA 92 # Ellen 24 CA 88 #

可以通过将行规范设置为loc和iloc中的（整个切片）来引用列。可以使用索引引用无法完成的切片。也可以在iloc中使用列号。

print(df.loc[:, 'age':'point']) print(type(df.loc[:, 'age':'point'])) # age state point # name # Alice 24 NY 64 # Bob 20 CA 92 # Charlie 30 CA 70 # Dave 40 TX 70 # Ellen 24 CA 88 # Frank 30 NY 57 # print(df.iloc[:, [0, 2]]) print(type(df.iloc[:, [0, 2]])) # age point # name # Alice 24 64 # Bob 20 92 # Charlie 30 70 # Dave 40 70 # Ellen 24 88 # Frank 30 57 # 当行名和列名具有重复值时

具有重复值的行和列也可以在index和columns中指定。

例，其中将具有重复值的列指定为index。

df_state = pd.read_csv('data/src/sample_pandas_normal.csv', index_col=2) print(df_state) # name age point # state # NY Alice 24 64 # CA Bob 42 92 # CA Charlie 18 70 # TX Dave 68 70 # CA Ellen 24 88 # NY Frank 30 57 print(df_state.index.values) # ['NY' 'CA' 'CA' 'TX' 'CA' 'NY']

如果在中指定重复的列名，则numpy.ndarray中将返回多个值。

print(df_state.at['NY', 'age']) print(type(df_state.at['NY', 'age'])) # [24 30] #

如果在loc中指定重复的列名，则它将在pandas.DataFrame或pandas.Series中返回。

print(df_state.loc['NY', 'age']) print(type(df_state.loc['NY', 'age'])) # state # NY 24 # NY 30 # Name: age, dtype: int64 # print(df_state.loc['NY', ['age', 'point']]) print(type(df_state.loc['NY', ['age', 'point']])) # age point # state # NY 24 64 # NY 30 57 #

在iat或iloc中指定列号时，即使值重复也没有关系。

print(df_state.iat[0, 1]) # 24

可以使用index.is_unique和column.is_unique检查列标签和行标签是否具有唯一值（不重复）。

print(df_state.index.is_unique) # False print(df_state.columns.is_unique) # True 通过数字和标签指定位置

如果要使用数字和标签（例如行号和列标签）的组合指定位置，则可以在at或loc处使用索引或列。可以按索引或列从行号或列号中获取行标签和列标签。

print(df) # age state point # name # Alice 24 NY 64 # Bob 20 CA 92 # Charlie 30 CA 70 # Dave 40 TX 70 # Ellen 24 CA 88 # Frank 30 NY 57 print(df.index[2]) # Charlie print(df.columns[1]) # state

使用at或loc，可以通过数字和标签的组合来指定位置。

print(df.at[df.index[2], 'age']) # 30 print(df.loc[['Alice', 'Dave'], df.columns[1]]) # name # Alice NY # Dave TX # Name: state, dtype: object

在使用slice start：stop：step进行指定时，如果loc使用行标签/列标签，则直到停止为止，但如果iloc使用行号/列编号，则将直到停止前成为请注意，如果要将stop的值从数字转换为标签，则需要执行类似索引[n-1]的操作。

另外，如下所述，当选择一行时，可以执行隐式类型转换。最好使用上面显示的索引和列将它们组合为at或loc。

print(df['age'][2]) # 30 print(df.age[2]) # 30 print(df.loc[['Alice', 'Dave']].iloc[:, 1]) # name # Alice NY # Dave TX # Name: state, dtype: object 在pandas.Series中选择行时的隐式类型转换

当loc或iloc中的pandas.Series选择并获取一行时，数据类型dtype是统一的，因此，如果原始pandas.DataFrame的每一列的数据类型不同，则会执行隐式类型转换。

以pandas.DataFrame为例，其中有一列整数int和一列浮点数。

df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C']) print(df_mix) # col_int col_float # A 0 0.1 # B 1 0.2 # C 2 0.3 print(df_mix.dtypes) # col_int int64 # col_float float64 # dtype: object

使用loc或iloc提取一行将导致float pandas.Series。 int列中的元素将转换为float。

print(df_mix.loc['B']) # col_int 1.0 # col_float 0.2 # Name: B, dtype: float64 print(type(df_mix.loc['B'])) #

如果按如下所示编写[]，则将pandas.Series元素转换为float。请注意，元素的值将以与原始类型不同的类型获得。

print(df_mix.loc['B']['col_int']) # 1.0 print(type(df_mix.loc['B']['col_int'])) #

如上所述，最好使用at和iat而不是重复编写[]，loc和iloc。如果是at或iat，则可以获取原始类型的元素。

print(df_mix.at['B', 'col_int']) # 1 print(type(df_mix.at['B', 'col_int'])) #

如果在loc或iloc中指定一个包含1个元素的列表，它将是一行的pandas.DataFrame而不是pandas.Series。当然，在这种情况下，将保留原始数据类型dtype。

print(df_mix.loc[['B']]) # col_int col_float # B 1 0.2 print(type(df_mix.loc[['B']])) # print(df_mix.loc[['B']].dtypes) # col_int int64 # col_float float64 # dtype: object

【本文地址】

公司简介

联系我们