前言
数据索引是数据分析中最关键的操作。在数据分析中经常需要选取固定的行列，在Excel中可以使用鼠标进行点选，但是敲命令的时候，例如python和R中不方便使用鼠标，这就需要灵活掌握数据的索引。如果数据索引不能熟练操作，就看不懂代码，后面的数据分析无法完成。
数据索引
数据索引，也称为数据切片和切块，是使用不同的列或索引切分数据，实现从数据中获取特定子集的方式。DataFrame为二维数据，每一列均为一个同一类型数据，所以为Series，每一行可以为不同数据类型，所以，每一行数据为DataFrame一个子集，数据类型依然为DataFrame。
pandas索引常用五种方法，loc iloc ix at iat。ix官方已不再推荐使用。其实笔者觉得pandas的索引操作不如R的方便。不过也够用。目前主要使用的为loc和iloc，两者比较容易混淆，这里按照官方方法提供一个简单的快速记忆方法loc代表location，使用标签来索引，也就是行名或者列名，而iloc中的i解读为integer，即integerlocation通过数字索引值来定位，也就是行号或者列号。
x.loc[ [‘行名1’， ‘行名2’， ‘行名3’……] , [‘列名1’，‘列名2’……] ]
x.iloc[ [行号1，行号2，行号3……] , [列号1，列号2……] ]
利用数字进行索引
pandas可以使用行名列名进行索引，也可以使用数字作为索引，具体使用哪种方式，要看具体使用场景，灵活使用，如果行列数太多，使用行名列名更加方便，如果要选取一个范围，使用数字更加方便。
如果要使用数字进行索引，则需要使用iloc标签，行在前列在后，中间用逗号“,”分割，如果全部选取，用冒号“:”代替。其中冒号也可以用来表示一定范围。
特别注意， python中索引值从0开始。并且不包含右侧边界。例如0:15，代表从第一个值到第15个值。
使用数字索引
mtcars[0:5] mtcars.iloc[ 0:5 ,: ] mtcars.iloc[1] #负数索引 mtcars.iloc[:,-1]
选取奇数行和偶数行
#奇数行 mtcars.iloc[np.arange(0,32,2)] #偶数行 mtcars.iloc[np.arange(1,32,2)]
利用行名列名进行索引
如果想选取固定的行，使用点号，是最方便的方式，类似于R中数据框索引使用“$”，为什么行不行呢？因为数据分析中更多时候是按列处理数据。这里注意由于python中点号有特殊作用，所以，源文件列名中最好不要有点号和空白，可以使用下划线替代
mtcars.cyl
mtcars.cyl.size
直接使用行名列名选取数据
mtcars[‘mpg‘] mtcars[[‘mpg‘,‘cyl‘]] mtcars.loc[:,[‘cyl‘]] mtcars.loc[[‘Fiat 128‘,‘Valiant‘]] mtcars.loc[:,[‘disp‘,‘hp‘]]
删除固定行或列
#删除行列 mtcars.drop(columns=[‘cyl‘,‘mpg‘]) mtcars.drop(index=[‘Valiant‘]) mtcars[mtcars.index != 5] mtcars[mtcars.index!=‘Volvo 142E‘]
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者：基因学苑
原文：https://www.cnblogs.com/zwhy8/p/13384979.html