python之loc与iloc的用法及说明

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、高级用法示例
• 1. 使用函数筛选
• 2. 多条件复合筛选
• 3. 跨列计算赋值
• 六、总结

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

以下是详细解析：

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

• 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）
• 支持高级操作：布尔索引、条件过滤、函数调用等

# 获取行标签为2，列标签为'Age'的值
df.loc[2, 'Age'] 

# 选取行标签从'user1'到'user3'，列标签'Name'和'Score'
df.loc['user1':'user3', ['Name', 'Score']]

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

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

特性	loc	iloc
索引类型	标签（字符串或数字）	纯整数位置（0-based）
切片区间	闭区间（包含两端）	左闭右开（Python 标准切片）
允许输入类型	标签、布尔数组、条件表达式	整数、整数列表、整数切片
示例	df.loc['a':'c', 'Name']	df.iloc[0:3, 1]

# ❌ 可能引发 SettingWithCopyWarning
df['Age'][df['Name'] == 'Alice'] = 25  

# ✅ 规范写法
df.loc[df['Name'] == 'Alice', 'Age'] = 25

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]   # ✅ 返回第10标签行

# 按位置选择（查找第0行）
df.iloc[0]   # ✅ 返回第10标签行（位置0）

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

# 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')]

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

• 核心作用：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

# 典型工作流示例
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。

您可能感兴趣的文章:

• python数据分析基础之pandas中loc()与iloc()的介绍与区别介绍
• Python pandas中的iloc使用小结
• python pandas如何使用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
• python iloc和loc切片的实现
• Python学习之.iloc与.loc的区别、联系和用法