目录
- 前言
- 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
- 总结
前言
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 # <class 'pandas.core.series.series'> 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 # <class 'pandas.core.frame.dataframe'> 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 # <class 'pandas.core.frame.dataframe'>
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 # <class 'pandas.core.series.series'> print(df.iloc[1::2, 0]) print(type(df.iloc[1::2, 0])) # name # bob 42 # dave 68 # frank 30 # name: age, dtype: int64 # <class 'pandas.core.series.series'>
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 # <class 'pandas.core.series.series'> print(df.iloc[[1, 4]]) print(type(df.iloc[[1, 4]])) # age state point # name # bob 20 ca 92 # ellen 24 ca 88 # <class 'pandas.core.frame.dataframe'>
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 # <class 'pandas.core.frame.dataframe'> 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 # <class 'pandas.core.frame.dataframe'>
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] # <class 'numpy.ndarray'>
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 # <class 'pandas.core.series.series'> print(df_state.loc['ny', ['age', 'point']]) print(type(df_state.loc['ny', ['age', 'point']])) # age point # state # ny 24 64 # ny 30 57 # <class 'pandas.core.frame.dataframe'>
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'])) # <class 'pandas.core.series.series'>
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'])) # <class 'numpy.float64'>
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'])) # <class 'numpy.int64'>
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']])) # <class 'pandas.core.frame.dataframe'> print(df_mix.loc[['b']].dtypes) # col_int int64 # col_float float64 # dtype: object
总结
到此这篇关于python pandas如何获取和修改任意位置的值（at,iat,loc,iloc）的文章就介绍到这了,更多相关pandas获取修改任意位置的值内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！
