官方函数
DataFrame.loc
Access a group of rows and columns by label(s) or a boolean array.
.loc[] is primarily label based, but may also be used with a boolean array.
# 可以使用label值,但是也可以使用布尔值
slice object with labels, e.g. ‘a":"f".
Warning: #如果使用多个label的切片,那么切片的起始位置都是包含的
Note that contrary to usual python slices, both the start and the stop are included
实例详解
一、选择数值
1、生成df
df = pd.DataFrame([[1, 2], [4, 5], [7, 8]], ... index=["cobra", "viper", "sidewinder"], ... columns=["max_speed", "shield"]) df Out[15]: max_speed shield cobra 1 2 viper 4 5 sidewinder 7 8
2、Single label. 单个 row_label 返回的Series
df.loc["viper"] Out[17]: max_speed 4 shield 5 Name: viper, dtype: int64
2、List of labels. 列表 row_label 返回的DataFrame
df.loc[["cobra","viper"]] Out[20]: max_speed shield cobra 1 2 viper 4 5
3、Single label for row and column 同时选定行和列
df.loc["cobra", "shield"] Out[24]: 2
4、Slice with labels for row and single label for column. As mentioned above, note that both the start and stop of the slice are included. 同时选定多个行和单个列,注意的是通过列表选定多个row label 时,首位均是选定的。
df.loc["cobra":"viper", "max_speed"] Out[25]: cobra 1 viper 4 Name: max_speed, dtype: int64
5、Boolean list with the same length as the row axis 布尔列表选择row label
布尔值列表是根据某个位置的True or False 来选定,如果某个位置的布尔值是True,则选定该row
df Out[30]: max_speed shield cobra 1 2 viper 4 5 sidewinder 7 8 df.loc[[True]] Out[31]: max_speed shield cobra 1 2 df.loc[[True,False]] Out[32]: max_speed shield cobra 1 2 df.loc[[True,False,True]] Out[33]: max_speed shield cobra 1 2 sidewinder 7 8
6、Conditional that returns a boolean Series 条件布尔值
df.loc[df["shield"] > 6] Out[34]: max_speed shield sidewinder 7 8
7、Conditional that returns a boolean Series with column labels specified 条件布尔值和具体某列的数据
df.loc[df["shield"] > 6, ["max_speed"]] Out[35]: max_speed sidewinder 7
8、Callable that returns a boolean Series 通过函数得到布尔结果选定数据
df Out[37]: max_speed shield cobra 1 2 viper 4 5 sidewinder 7 8 df.loc[lambda df: df["shield"] == 8] Out[38]: max_speed shield sidewinder 7 8
二、赋值
1、Set value for all items matching the list of labels 根据某列表选定的row 及某列 column 赋值
df.loc[["viper", "sidewinder"], ["shield"]] = 50 df Out[43]: max_speed shield cobra 1 2 viper 4 50 sidewinder 7 50
2、Set value for an entire row 将某行row的数据全部赋值
df.loc["cobra"] =10 df Out[48]: max_speed shield cobra 10 10 viper 4 50 sidewinder 7 50
3、Set value for an entire column 将某列的数据完全赋值
df.loc[:, "max_speed"] = 30 df Out[50]: max_speed shield cobra 30 10 viper 30 50 sidewinder 30 50
4、Set value for rows matching callable condition 条件选定rows赋值
df.loc[df["shield"] > 35] = 0 df Out[52]: max_speed shield cobra 30 10 viper 0 0 sidewinder 0 0
三、行索引是数值
df = pd.DataFrame([[1, 2], [4, 5], [7, 8]], ... index=[7, 8, 9], columns=["max_speed", "shield"]) df Out[54]: max_speed shield 7 1 2 8 4 5 9 7 8
通过 行 rows的切片的方式取多个:
df.loc[7:9] Out[55]: max_speed shield 7 1 2 8 4 5 9 7 8
四、多维索引
1、生成多维索引
tuples = [ ... ("cobra", "mark i"), ("cobra", "mark ii"), ... ("sidewinder", "mark i"), ("sidewinder", "mark ii"), ... ("viper", "mark ii"), ("viper", "mark iii") ... ] index = pd.MultiIndex.from_tuples(tuples) values = [[12, 2], [0, 4], [10, 20], ... [1, 4], [7, 1], [16, 36]] df = pd.DataFrame(values, columns=["max_speed", "shield"], index=index) df Out[57]: max_speed shield cobra mark i 12 2 mark ii 0 4 sidewinder mark i 10 20 mark ii 1 4 viper mark ii 7 1 mark iii 16 36
2、Single label. 传入的就是最外层的row label,返回DataFrame
df.loc["cobra"] Out[58]: max_speed shield mark i 12 2 mark ii 0 4
3、Single index tuple.传入的是索引元组,返回Series
df.loc[("cobra", "mark ii")] Out[59]: max_speed 0 shield 4 Name: (cobra, mark ii), dtype: int64
4、Single label for row and column.如果传入的是row和column,和传入tuple是类似的,返回Series
df.loc["cobra", "mark i"] Out[60]: max_speed 12 shield 2 Name: (cobra, mark i), dtype: int64
5、Single tuple. Note using [[ ]] returns a DataFrame.传入一个数组,返回一个DataFrame
df.loc[[("cobra", "mark ii")]] Out[61]: max_speed shield cobra mark ii 0 4
6、Single tuple for the index with a single label for the column 获取某个colum的某row的数据,需要左边传入多维索引的tuple,然后再传入column
df.loc[("cobra", "mark i"), "shield"] Out[62]: 2
7、传入多维索引和单个索引的切片:
df.loc[("cobra", "mark i"):"viper"] Out[63]: max_speed shield cobra mark i 12 2 mark ii 0 4 sidewinder mark i 10 20 mark ii 1 4 viper mark ii 7 1 mark iii 16 36 df.loc[("cobra", "mark i"):"sidewinder"] Out[64]: max_speed shield cobra mark i 12 2 mark ii 0 4 sidewinder mark i 10 20 mark ii 1 4 df.loc[("cobra", "mark i"):("sidewinder","mark i")] Out[65]: max_speed shield cobra mark i 12 2 mark ii 0 4 sidewinder mark i 10 20
文章浏览阅读4.4w次,点赞11次,收藏56次。分类问题是人类所面临的一个非常重要且具有普遍意义的问题,我们生活中的很多问题归根到底都是分类问题。文本分类就是根据文本内容将其分到合适的类别,它是自然语言处理的一个十分重要的问题。文本分类主要应用于信息检索,机器翻译,自动文摘,信息过滤,邮件分类等任务。文本分类技术发展历史 1960-1970:那时主要通过人工+规则(关键词或者正则表达式)的方式,制定规则的人需要对某类目领域有足够的认知和了解。举_文本特征提取word2vec
文章浏览阅读1k次。本文利用libevent,实现一个C++线程池,,可自定义用户任务类,继承于任务task基类,重写任务基类的纯虚函数实现多态。比如将定义定义处理客户端的请求任务类,实现对客户端请求的并发处理。工作队列:可以理解为线程的队列,一个线程同时可以处理一个任务,空闲的线程回从任务队列取出任务执行。当工作队列空时,线程会睡眠。任务队列:用户将任务加入任务队列,然后通知工作队列,取出一个任务到线程中执行。_windows c++ 开发 客户端 libevent
文章浏览阅读3.4w次,点赞3次,收藏11次。篇一:《工作中存在的不足及改进措施》通过近一段时间的工作,反省自身,还存在许多不足和缺点,现将近期的工作、学习中存在的不足和缺点简要总结如下:1、自身的专业业务水平不高,事故应急处理能力不强.虽然通过学习和工作经验的积累,在业务水平上有了一定的提高,但业务水平和工作经验与其它老同志比还是比较低.在日常工作中偏重于日常生产工作,也忽视了自身思想素质的提高,工作中争强当先的意识不强.2、工作上满足于正..._工作不足之处及改进措施
文章浏览阅读2k次。常用的poi工具,如easy-excel,hutool读取excel是都是先将整个excel加载到内存中分析,然后再一行行遍历,当excel文件太大时读取的时间就会更长,如果我们只需要读取excel的前几行来进行预览就不能使用这种方式,应该按需读取。_java 读取大文件excel
文章浏览阅读237次。HTML_常用标签测试_html标签检测
文章浏览阅读482次。牛顿法是一种用于求解非线性方程组的迭代优化方法。其基本原理是基于泰勒级数展开和一阶导数的近似,通过不断迭代修正初始猜测解来逼近方程组的解。Fx0其中,Fxf1xf2x...fnxT是一个多元函数,xx1x2...xnT是待求解的变量向量。牛顿法的基本思想是,在当前的迭代点xk处,用一个一阶泰勒展开来近似fixfix≈fixkj1∑n∂xj∂fixk。
文章浏览阅读815次。文章目录摘要摘要_后端克里金插值分析
文章浏览阅读3.3w次,点赞10次,收藏36次。我们在 Windows 操作系统中写文档,做笔记,通常使用 Windows 自带的记事本,可是记事本不支持插入图片,创建表格等功能,从而不得不使用 Office Word。不知道大家有没有这样的感觉,使用 Office Word 写文档,效率极低,需要一边敲字,一边使用鼠标排版,比如:在文章中给团队的名字“LSGO软件技术团队”加粗,就需要先用鼠标选中这个词语,然后点击工具栏中“B”形状的工具..._有道云笔记如何建立 文档索引
文章浏览阅读137次。IP-guard 远程命令执行漏洞_ipg 漏洞
文章浏览阅读255次。2017年,全球数据泄露事件已不仅是呈翻倍的速度增长。16年的14亿条,到17年仅上半年的17亿条,这样的数据泄露规模你是否还在存在侥幸心理,就是那所谓的“怎么可能刚好落在我身上”。随着我们在工作、生活中的云化,就在今天,万物互联已经融入到我们每个人的生活中,相信在不就的将来,整个IOT时代也将会很快的到来。仔细回忆一下,今天我们所做的任何情都离不..._8,iot时代,数据安全有哪些新特征?
文章浏览阅读6.7k次,点赞47次,收藏143次。存放文本时,也可以使用Text数据类型,可以将TEXT列视为VARCHAR列,注意Text不能有默认值,大小0-2^16字节;同一查询在同一事务中多次进行,由于其它提交事务所做的修改和删除,每次返回不同的结果集,则发生不可重复读;多个连接开启各自事务操作数据库中数据时,数据库系统要负责隔离操作,以保证各个连接在获取数据是的准确性;同一查询在同一个事务中多次执行,由于其它提交事务所做的插入操作,每次返回不同的结果集,此时发生幻读;同真是的表一样,视图包含列,其数据来自对应的真实表(基表)_mysql教程
文章浏览阅读550次,点赞10次,收藏6次。GD32官方的开发环境(基于Eclipse)的使用。_gd32e23 开发环境