python中df是什么_python数据分析之pandas数据选取：
df[]df.loc。。。
1 引⾔
Pandas是作为Python数据分析著名的⼯具包，提供了多种数据选取的⽅法，⽅便实⽤。本⽂主要介绍Pandas的⼏种数据选取的⽅法。
Pandas中，数据主要保存为Dataframe和Series是数据结构，这两种数据结构数据选取的⽅式基本⼀致，本⽂主要以Dataframe为例进⾏介绍。
爱心吸管在Dataframe中选取数据⼤抵包括3中情况：
1）⾏（列）选取（单维度选取）：df[]。这种情况⼀次只能选取⾏或者列，即⼀次选取中，只能为⾏或者列设置筛选条件（只能为⼀个维度设置筛选条件）。
2）区域选取（多维选取）：df.loc[]，df.iloc[]，df.ix[]。这种⽅式可以同时为多个维度设置筛选条件。
居住证申请3）单元格选取（点选取）：df.at[]，df.iat[]。准确定位⼀个单元格。
接下来，我们以下⾯的数据为例，分别通过实例介绍这三种情况。
>>> importpandas as pd
>>> importnumpy as np
>>> data = {'name': ['Joe', 'Mike', 'Jack', 'Ro', 'David', 'Marry', 'Wansi', 'Sidy', 'Jason', 'Even'],杭州活动
'age': [25, 32, 18, np.nan, 15, 20, 41, np.nan, 37, 32],
'gender': [1, 0, 1, 1, 0, 1, 0, 0, 1, 0],
'isMarried': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
>>> labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
>>> df = pd.DataFrame(data, index=labels)消防知识图片
>>>df
name age gender isMarried
a Joe 25.0 1yes
b Mike 32.00 yes
c Jack 18.0 1no
d Ros
e NaN 1yes
e David 15.00 no
f Marry 20.0 1no
g Wansi 41.00 no
h Sidy NaN 0 yes
i Jason 37.0 1no
j Even 32.0 0 no
联合体协议书
2 ⾏（列）选取：df[]
⾏（列）选取是在单⼀维度上进⾏数据的选取，即以⾏为单位进⾏选取或者以列为单位进⾏选取。Dataframe对象的⾏有索引（index），默认情况下是[0,1,2，……]的整数序列，也可以⾃定义添加另外的索引，例如上⾯的labels，（为区分默认索引和⾃定义的索引，在本⽂中将默认索引称为整数索引，⾃定义索引称为标签索引）。Dataframe对象的每⼀列都有列名，可以通过列名实现对列的选取。
1）选取⾏
选取⾏的⽅式包括三种：整数索引切⽚、标签索引切⽚和布尔数组。
a）整数索引切⽚：前闭后开
选取第⼀⾏：
>>> df[0:1]
name age gender isMarried
a Joe 25.0 1 yes
选取前两⾏：
>>> df[0:2]
name age gender isMarried
a Joe 25.0 1yes
b Mike 32.0 0 yes
b）标签索引切⽚：前闭后闭
选取第⼀⾏：
>>> df[:'a']
name age gender isMarried
a Joe 25.0 1 yes
选取前两⾏：
>>> df['a':'b']
name age gender isMarried
a Joe 25.0 1yes
b Mike 32.0 0 yes
注意：整数索引切⽚是前闭后开，标签索引切⽚是前闭后闭，这点尤其要注意。
c）布尔数组
选取前三⾏
>>>df[[True,True,True,Fal,Fal,Fal,Fal,Fal,Fal,Fal]]
name age gender isMarried
a Joe 25.0 1yes
b Mike 32.00 yes
c Jack 18.0 1 no
选取所有age⼤于30的⾏
>>> df[[each>30 for each in df['age']]]
name age gender isMarried
bot项目b Mike 32.00 yes
g Wansi 41.00 no
i Jason 37.0 1no
j Even 32.0 0 no
通过布尔数组的⽅式，⼜可以衍⽣出下⾯的选取⽅式：
选取所有age⼤于30的⾏怎么会得糖尿病
>>> df[df['age']>30]
name age gender isMarried
b Mike 32.00 yes
g Wansi 41.00 no
i Jason 37.0 1no
j Even 32.0 0 no
选取出所有age⼤于30，且isMarried为no的⾏
>>> df[(df['age']>30) & (df['isMarried']=='no')]
name age gender isMarried
g Wansi 41.00 no
i Jason 37.0 1no
j Even 32.0 0 no
选取出所有age为20或32的⾏
>>> df[(df['age']==20) | (df['age']==32)]
name age gender isMarried
b Mike 32.00 yes
f Marry 20.0 1no
j Even 32.0 0 no
注意：像上⾯这种通过多个布尔条件判断的情况，多个条件最好（⼀定）⽤括号括起来，否则⾮常容易出错。2）列选取
列选取⽅式也有三种：标签索引、标签列表、Callable对象
a）标签索引：选取单个列
选取name列所有数据
>>> df['name']
a Joe
b Mike
c Jack
d Ro
e David
f Marry
g Wansi
h Sidy
i Jason
j Even
Name: name, dtype: object
b）标签列表：选取多个列
选取name和age两列数据
>>> df[['name','age']]
name age
a Joe 25.0
b Mike 32.0
c Jack 18.0
d Ros
e NaN
e David 15.0
f Marry 20.0
g Wansi 41.0
h Sidy NaN
i Jason 37.0j Even 32.0
c）callable对象
选取第⼀列
>>> df[lambdadf: df.columns[0]]
a Joe
b Mike
c Jack
d Ro
e David
f Marry
g Wansi
诸葛亮的诫子书h Sidy
i Jason
j Even
Name: name, dtype: object
3 区域选取
区域选取可以从多个维度（⾏和列）对数据进⾏筛选，可以通过df.loc[]，df.iloc[]，df.ix[]三种⽅法实现。采⽤df.loc[]，df.iloc[]，df.ix[]这三种⽅法进⾏数据选取时，⽅括号内必须有两个参数，第⼀个参数是对⾏的筛选条件，第⼆个参数是对列的筛选条件，两个参数⽤逗号隔开。df.loc[]，df.iloc[]，df.ix[]的区别如下：
df.loc[]只能使⽤标签索引，不能使⽤整数索引，通过便签索引切边进⾏筛选时，前闭后闭。
df.iloc[]只能使⽤整数索引，不能使⽤标签索引，通过整数索引切边进⾏筛选时，前闭后开。；
df.ix[]既可以使⽤标签索引，也可以使⽤整数索引。下⾯分别通过实例演⽰这三种⽅法。
3.1 df.loc[]
1）对⾏进⾏选取
选取索引为‘a’的⾏：
>>> df.loc['a', :]
name Joe
age 25gender 1isMarried yes
Name: a, dtype: object
选取索引为‘a’或‘b’或‘c’的⾏
>>> df.loc[['a','b','c'], :]
name age gender isMarried
a Joe 25.0 1yes
b Mike 32.00 yes
c Jack 18.0 1 no
选取从‘a’到‘d’的所有⾏（包括‘d’⾏）>>> df.loc['a':'d', :]
name age gender isMarried
a Joe 25.0 1yes
b Mike 32.00 yes
c Jack 18.0 1no
d Ros
e NaN 1 yes
⽤布尔数组选取前3⾏
>>>df.loc[[True,True,True,Fal,Fal,Fal], :] name age gender isMarried
a Joe 25.0 1yes
b Mike 32.00 yes
c Jack 18.0 1 no
选取所有age⼤于30的⾏
>>> df.loc[df['age']>30,:]
name age gender isMarried
b Mike 32.00 yes
g Wansi 41.00 no
i Jason 37.0 1no
