Python模块Pandas数据切片 -- 详解loc和iloc区别

本文主要是介绍Python模块Pandas数据切片 -- 详解loc和iloc区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在Pandas库中，`iloc`和`loc`是用于选择DataFrame或Series中数据的两种主要方法。尽管它们的目的相似，但它们的用法和基于的索引类型有着显著的区别。以下是`iloc`和`loc`之间的主要区别：

1. 基于的索引类型

2. 使用场景

3. 示例

3.1 使用`loc`

3.2 使用`iloc`

4. 切片

5. 布尔索引

1. 基于的索引类型

`loc`：基于标签的索引。它使用DataFrame或Series的轴标签来选择数据。对于DataFrame，这意味着使用行索引（index）和列标签（columns）来选择数据；
`iloc`：基于整数位置的索引。它使用基于0的整数位置来选择数据。对于DataFrame，这意味着使用行号和列号来选择数据。

2. 使用场景

如果知道要选择的数据的确切标签（例如，特定的行索引或列名），那么`loc`是一个很好的选择；
如果知道要选择的数据在DataFrame或Series中的位置（例如，想要选择前两行或第三列），那么`iloc`是更好的选择。

3. 示例

3.1 使用`loc`

import pandas as pd# 创建一个简单的DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
df = pd.DataFrame(data)# 使用loc选择标签为'Bob'的行
row_bob = df.loc[df.index == 'Bob']  # 注意：通常DataFrame的行索引不是字符串，这里仅为示例
print(row_bob)# 使用loc选择'Age'列
age_column = df.loc[:, 'Age']
print(age_column)# 使用loc选择标签为'Bob'的行和'Age'列
bob_age = df.loc[df.index == 'Bob', 'Age']
print(bob_age)

3.2 使用`iloc`

# 使用iloc选择前两行
first_two_rows = df.iloc[:2]
print(first_two_rows)# 使用iloc选择第三列（注意：Python的索引是从0开始的）
third_column = df.iloc[:, 2]  # 这会抛出错误，因为只有两列，但展示了iloc的语法
print(third_column)  # 如果DataFrame有三列或更多，这将正常工作# 使用iloc选择第一行和第二列（即'Age'列）的数据
first_row_second_column = df.iloc[0, 1]
print(first_row_second_column)  # 输出：25