python之loc与iloc的用法及说明 python中loc

python之loc与iloc的用法及说明 python中loc

目录

• 一、核心功能
• 1. 基本语法
• 2. 特性
• 二、典型使用场景
• 1. 精确提取单值
• 2. 选择行范围 + 多列
• 3. 条件筛选
• 4. 修改数据
• 三、与 iloc 的对比
• 四、避坑指南
• 1. 避免链式赋值
• 2. 处理混合索引
• 五、高质量用法示例
• 1. 使用函数筛选
• 2. 多条件复合筛选
• 3. 跨列计算赋值
• 六、拓展资料

loc 是 Pandas 中用于 基于标签（label-based）的索引选择技巧，专门用于按行/列标签精准定位和操作 DataFrame 或 Series 中的数据。

下面内容是详细解析：

一、核心功能

1. 基本语法

df.loc[行标签选择, 列标签选择]

• 行标签选择：可以是单个标签、标签列表、切片（如 "a":"d"）或布尔条件
• 列标签选择：同上，支持标签筛选

2. 特性

• 标签优先：索引基于行/列的名称（字符串或数字标签），而非位置
• 闭区间：切片包含起始和结束标签（与 Python 常规切片不同）
• 支持高质量操作：布尔索引、条件过滤、函数调用等

二、典型使用场景

1. 精确提取单值

获取行标签为2，列标签为’Age’的值df.loc[2, ‘Age’]

2. 选择行范围 + 多列

选取行标签从’user1’到’user3’，列标签’Name’和’Score’df.loc[‘user1′:’user3’, [‘Name’, ‘Score’]]

3. 条件筛选

选择所有年龄大于30的行，并显示’City’列df.loc[df[‘Age’] > 30, ‘City’]

4. 修改数据

将行标签为5的’Status’列值改为’active’df.loc[5, ‘Status’] = ‘active’

三、与 iloc 的对比

四、避坑指南

1. 避免链式赋值

&x274c; 可能引发 SettingWithCopyWarningdf[‘Age’][df[‘Name’] == ‘Alice’] = 25 &x2705; 规范写法df.loc[df[‘Name’] == ‘Alice’, ‘Age’] = 25

2. 处理混合索引

当 DataFrame 的索引是整数时，loc 和 iloc 可能产生歧义：

df = pd.DataFrame(‘A’: [1,2,3]}, index=[10, 20, 30]) 按标签选择（查找标签为1的行）df.loc[10] &x2705; 返回第10标签行 按位置选择（查找第0行）df.iloc[0] &x2705; 返回第10标签行（位置0）

五、高质量用法示例

1. 使用函数筛选

选择索引以’2023’开头的行df.loc[lambda x: x.index.str.startswith(‘2023’)]

2. 多条件复合筛选

选择年龄在20-30岁且城市为北京的行df.loc[(df[‘Age’] >= 20) & (df[‘City’] == ‘北京’)]

3. 跨列计算赋值

当Score列大于90时，Status设为’A+’df.loc[df[‘Score’] > 90, ‘Status’] = ‘A+’

六、拓展资料

• 核心影响：基于标签精准操作数据（查、改、删）
• 优势：代码可读性高，支持复杂条件筛选
• 适用场景：数据清洗、条件筛选、动态计算等

典型职业流示例cleaned_data = df.loc[df[‘Quality’] > 0.8, [‘ID’, ‘Value’]] 筛选高质量数据cleaned_data.loc[:, ‘Value’] = 100 批量修改选中列的值

以上为个人经验，希望能给大家一个参考，也希望大家多多支持风君子博客。

无论兄弟们可能感兴趣的文章:

• python数据分析基础之pandas中loc()与iloc()的介绍与区别介绍
• Pythonpandas中的iloc使用
• python?pandas怎样使用loc和iloc读取行数据或列数据
• python中pandas库的iloc函数用法解析
• Python?Pandas中loc和iloc函数的基本用法示例
• pythoniloc和loc切片的实现
• Python进修之.iloc与.loc的区别、联系和用法