pandas根据索引名得到索引号（一网打尽Pandas中的各种索引）

来源：AI入门学习

作者：小伍哥

一、索引的概述

很多人在使用Pandas选取数据时，总会迷失在data[]、iloc()、loc()、ix()、at()、iat()中，似乎记得，又似乎不记得，每到用时都需要百度，不知所以然的解决了问题，下次继续百度，记忆点基本上非常混乱。本文就是希望能解决这个问题，通过一个简单的DataFrame彻底搞明白这三个函数到底有什么区别，又该怎么使用，希望对你有用。

日常使用中，推荐使用loc和iloc进行索引，loc是指location的意思，iloc中的 i 是指integer，这两个方法容易混淆，可以使用特殊方式来加强记忆。

iloc：基于位置，用行号、列号进行索引，i 可以看着 int，因此 iloc 只能用整数来索引，例如data.iloc[0:2,:]

loc ：基于标签，用行名、列名进行索引，数据的index经常为整数，因此 loc 的使用范围要远高于iloc，loc可以使用整数切片、名称(index,columns)索引、也可以切片和名称混合使用。例如：data.loc[0:5:,'row1':'row2']

我们简单构造一个数据集，在下面的案例中需要用到。

import pandas as pd import numpy as np data = pd.DataFrame(np.arange(25).reshape(5, 5), index = ['row1', 'row2','row3','row4','row5'], columns=['col1', 'col2','col3','col4', 'col5']) data col1 col2 col3 col4 col5 row1 0 1 2 3 4 row2 5 6 7 8 9 row3 10 11 12 13 14 row4 15 16 17 18 19 row5 20 21 22 23 24

二、用列名直接索引 （不推荐）

取一列：data['col1'] 即取得第一列，得到的是一个Series对象。

取多列：data[['col1','col2']]

注 意：

用data['row1'] 、data[0]、data[:,0]、data[0,:]、data[:,'col1':'col2'] 统统都会报错的，这类命令只能用来按列名取一列或多列。

data['col1'] row1 0 row2 5 row3 10 row4 15 row5 20 Name: col1, dtype: int32 data[['col1','col2']] col1 col2 row1 0 1 row2 5 6 row3 10 11 row4 15 16 row5 20 21 #下面的命令直接应用都会报错，但是用loc 和 iloc 就不会报错 data['row1'] data[0] data[:,0] data[0,:] data[:,'col1':'col2'] #TypeError: '(slice(None, None, None), 0)' is an invalid key

三、用行号直接索引（不推荐）

data[0:2]代表取得第0行和第1行

注 意：

只取一行的话，要用data[0:1]，不能用data[0]。data[0:2,]也会报错

data[0:2] col1 col2 col3 col4 col5 row1 0 1 2 3 4 row2 5 6 7 8 9

四、iloc按行号、列号来索引（推荐）

1)取一行 ：data.iloc[0] 、data.iloc[0,:]

2)取多行 ：data.iloc[[0,2]] 、data.iloc[[0,2],:]

3)取连续多行 ：data.iloc[0:2] 、data.iloc[0:2,:]

4)取一列 ： data.iloc[:,0]

5)取多列 ：data.iloc[:,[0,2]]、data.iloc[:,[0,2]]

6)取连续多列 ：data.iloc[:,0:2]

注 意：

取行的时候可以不提列，也可以用"，："来指全列

取列的时候必须用"：，"来指定全行。

可以使用一个数字来代表一个，可以使用一个列表[a,b]代表多个，也可以使用a:b代表连续多个。

data.iloc[0]col1 0col2 1col3 2col4 3col5 4data.iloc[:,2:4] col3 col4row1 2 3row2 7 8row3 12 13row4 17 18row5 22 23

五、loc按行名、列名来索引（推荐）

1)取一行：data.loc['row1'] 、data.loc['row1',:]

2)取多行：data.loc[['row1','row2']] 、data.loc[['row1','row2'],:]

3)取连续多行：data.loc['row1':'row2'] 、data.loc['row1':'row2',:]

4)取一列：data.loc[:,'col1']

5)取多列：data.loc[:,['row1','row2']]

6)取连续多列：data.loc[:,'row1':'row2']

注 意：

取行的时候可以不提列，也可以用"，："来指全列。

取列的时候必须用"：，"来指定全行。

可以使用一个数字来代表一个，可以使用一个list ['a','b']代表多个，也可以使用'a':'b'代表连续多个。

data.loc[:,'col1':'col3'] col1 col2 col3 row1 0 1 2 row2 5 6 7 row3 10 11 12 row4 15 16 17 row5 20 21 22 #当索引为整数时，可以用整数进行索引 data = pd.DataFrame(np.arange(25).reshape(5, 5), columns=['col1', 'col2','col3','col4', 'col5']) col1 col2 col3 col4 col5 0 0 1 2 3 4 1 5 6 7 8 9 2 10 11 12 13 14 3 15 16 17 18 19 4 20 21 22 23 24 data.loc[0:3,'col1':'col3'] col1 col2 col3 0 0 1 2 1 5 6 7 2 10 11 12 3 15 16 17

六、使用iat和at（不推荐）

iat 和 at 只能取单个元素，iat 使用行、列索引，at 使用行、列名，但是其功能被 iloc 和 loc 包含，因此不推荐。

data.iat[1,2] 7

七、使用ix（不推荐）

ix 相当于 loc 和 iloc 的综合版本，既可以按标签选取，又可以按位置选取，也就是说，ix可以识别你是想按照标签选取，还是按照位置选取。

关于ix，它是先于 iloc 和 loc 产生的，现在基本上用 iloc 和 loc 已经完全能取代 ix ，所以 ix 已经被官方弃用了。就不赘述了。

最后总结：（重点！！！！）

正常情况下，推荐使用 iloc 和 loc。最核心的点记住，取行可以不提列，取列必须提行，可以用一个数字，一个list，或者一个区间来取行列。

,