iloc[[i]] 和 loc[[i]] 的区别

In [2]: df
Out[2]:
          A         B
0  1.068932 -0.794307
2 -0.470056  1.192211
4 -0.284561  0.756029
6  1.037563 -0.267820
8 -0.538478 -0.800654

In [5]: df.iloc[[2]]
Out[5]:
          A         B
4 -0.284561  0.756029

In [6]: df.loc[[2]]
Out[6]:
          A         B
2 -0.470056  1.192211

一个是按照index的序值. 一个是按照index的具体值.

原文地址:https://www.cnblogs.com/Allen-rg/p/9464263.html

时间: 2024-10-20 12:04:25

iloc[[i]] 和 loc[[i]] 的区别的相关文章

Python Pandas DataFrame:查询数据or选择数据(selection)之loc,iloc,at,iat,ix的用法和区别

在操作DataFrame时,肯定会经常用到loc,iloc,at等函数,各个函数看起来差不多,但是还是有很多区别的,我们一起来看下吧. 首先,还是列出一个我们用的DataFrame,注意index一列,如下: 接下来,介绍下各个函数的用法: 1.loc函数 愿意看官方文档的,请戳这里,这里一般最权威. loc函数是基于"标签"选择数据的,但是也可以接受一个boolean的array,对于每个用法,我们一一举例: 1.1 单个label 接受一个"标签"(label)

02_Pandas基本使用

1.Pandas读取数据 import pandas as pd pd.read_csv(r'D:\数据分析\02_Pandas\pandas\food_info.csv') out: --------------------------------------------------------------------------- OSError Traceback (most recent call last) <ipython-input-15-cc3e7efb5b57> in <

numpy pandas2

numpy和pandas是使用python进行数据分析的两个基本工具.numpy在线性代数中运用较多,而pandas则更多的用来分析表结构的数据.numpy与pandas都有一维和二维数据结构. numpy的一维数组我们称之为array.定义方式如下: import numpy as np a=np.array([1,2,3,4,5]) 还有几个基本的应用: #查询元素 a[0] #切片访问 a[1:3] #循环访问 for i in a: print(i) #数据类型 a.dtype 我们可以

Numpy&amp;Pandas

Numpy & Pandas 简介 此篇笔记参考来源为<莫烦Python> 运算速度快:numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本. 消耗资源少:采用的是矩阵运算,会比 python 自带的字典或者列表快好多 Numpy 学习 2.1 numpy属性 ndim:维度 shape:行数和列数 size:元素个数 举例说明: import numpy as np array = np.array([[1,2,3]

codevs 计算器的改良

#include<iostream> #include<cctype> #include<vector> #include<cstdio> using namespace std; // int get_num(string s) { int sum=0; for(int i=0;i<s.length();i++) { int k=s[i]-'0'; sum=sum*10+k; } //cout<<sum<<endl; retu

pandas操作速查表

准备工作 import numpy as np import pandas as pd 倒入文件或创建一个数据表 df = pd.DataFrame(pd.read_csv('name.csv',header=1)) df = pd.DataFrame(pd.read_excel('name.xlsx')) pd.read_table(filename)# 从限定分隔符的文本文件导入数据 pd.read_excel(filename)# 从Excel文件导入数据 pd.read_sql(quer

pandas 常用技巧总结

切片: loc:df.loc[num]:选择df 某一行 seriesdf.loc[[num1,num2]]: 选择df 某几行df.loc[[True,False,True,   ,True]]: 选择df 某几行 df.loc[num,['a','c']]:选择df 某一行n列df.loc[[num1,num2],['a','c']]: 选择df 某几行n列df.loc[[True,False,True,   ,True],['a','c']]: 选择df 某几行n列#loc 以数字.布尔及

[Python数据挖掘]第5章、挖掘建模(上)

一.分类和回归 回归分析研究的范围大致如下: 1.逻辑回归 #逻辑回归 自动建模 import pandas as pd from sklearn.linear_model import LogisticRegression as LR from sklearn.linear_model import RandomizedLogisticRegression as RLR #参数初始化 data = pd.read_excel('data/bankloan.xls') x = data.iloc

机器学习-Pandas 知识点汇总(吐血整理)

Pandas是一款适用很广的数据处理的组件,如果将来从事机械学习或者数据分析方面的工作,咱们估计70%的时间都是在跟这个框架打交道.那大家可能就有疑问了,心想这个破玩意儿值得花70%的时间吗?咱不是还有很牛逼的Tensorflow, keras,神经网络,classification等等这些牛逼的技术(词汇)都没学习呢,咋突然冒出来一个pandas就要在机器学习中占了大部分精力去处理呢?其实啊,同学们,什么TensorFlow, Keras,神经网络, 随机森林啥的,看起来牛气哄哄的高大上的词汇