df.iloc连续列中断

如果在使用pandas.DataFrame的iloc方法时，需要选取连续的列，但是这些列中间有一些列是不需要的，可以使用如下的方法进行选取：

假设我们需要选取第1列到第5列和第10列到第15列，可以使用如下的代码：

df.iloc[:, np.r_[0:5, 10:15]]

其中`np.r_`用于将两个不连续的切片合并为一个切片。上述代码中，`[:, np.r_[0:5, 10:15]]`表示选取所有行，以及第0到第4列和第10到第14列。

如果需要选取非连续的列，可以使用如下的方法：

df.iloc[:, [0, 3, 5, 7]]

上述代码表示选取所有行，以及第0、3、5、7列。

相关问题

import tushare as ts import datetime # 设置 token，用于认证 ts.set_token('530fbc2b682d65696dbeec010a893f70d6953fbb6842151003c3e12f') # 初始化 tushare pro = ts.pro_api() df = pro.daily(fields = 'ts_code,trade_date,open,close',start_date='20180701', end_date='20180718') def get_stock_poll(df): stock_pool=[] for code in df['ts_code'].unique(): temp_df = df[df['ts_code'] == code ] for i in range(len(temp_df)-3): if (temp_df.iloc[i + 3]['close'] > temp_df.iloc[i + 2]['close']) and \ (temp_df.iloc[i + 2]['close'] > temp_df.iloc[i + 2]['open']) and \ (temp_df.iloc[i + 1]['close'] > temp_df.iloc[i + 1]['open']) and \ (temp_df.iloc[i]['close'] > temp_df.iloc[i]['open'])and \ (temp_df.iloc[i + 3]['close'] > temp_df.iloc[i + 2]['close'])and \ (temp_df.iloc[i + 2]['close'] > temp_df.iloc[i + 1]['close']) and\ (temp_df.iloc[i + 1]['close'] > temp_df.iloc[i]['close']): stock_pool.append(code) break return stock_pool def buy_stock(stock_pool,df): buy_list = [] for code in stock_pool: temp_df = df[df['ts_code']==code] for i in range(len(temp_df-2)): if(temp_df.iloc[i + 2]['close'] < temp_df.iloc[i + 2]['open']) and \ (temp_df.iloc[i + 1]['close'] < temp_df.iloc[i + 1]['open']) and \ (temp_df.iloc[i]['close'] < temp_df.iloc[i]['open'])and \ (temp_df.iloc[i + 2]['close'] < temp_df.iloc[i + 1]['close'])and \ (temp_df.iloc[i + 1]['close'] < temp_df.iloc[i]['close']): buy_list.append(code) break return buy_list def sell_stock(buy_stock,df): sell_list = [] for stock in buy_list: buy_date=dateime.datetime.strptime(stock[1],"%Y-%m-%d") current_date = datetime.datetime.today() days_held = (current_date - buy_date).days if days_held >=3: sell_list.append(stock[0]) print("sell list:",sell_list)要求上述代码在聚宽上运行

这段代码需要进行一些修改才能在聚宽上运行，具体修改如下：

1. 将导入的 tushare 改为聚宽提供的接口，即 import jqdatasdk as jq
2. 将 tushare 的 token 设置语句删除，因为在聚宽中不需要 token 认证
3. 将 tushare 的 pro_api() 改为聚宽的 auth()，并传入聚宽账号和密码进行认证
4. 将 tushare 的 daily() 改为聚宽的 get_price()，并传入聚宽的股票代码格式 '000001.XSHE'，以及开始和结束时间
5. 将 datetime 改为聚宽提供的 jqdata.datetime，即 import jqdatasdk as jq 和 from jqdatasdk import *，并将代码中的 datetime.datetime 改为 jqdata.datetime。

修改后的代码如下：

import jqdatasdk as jq
from jqdatasdk import *
auth('聚宽账号', '聚宽密码')

df = get_price('000001.XSHE', start_date='2018-07-01', end_date='2018-07-18', fields=['open', 'close'])

def get_stock_poll(df):
    stock_pool=[]
    for code in df.index.unique():
        temp_df = df[df.index == code ]
        for i in range(len(temp_df)-3):
            if (temp_df.iloc[i + 3]['close'] > temp_df.iloc[i + 2]['close']) and \
            (temp_df.iloc[i + 2]['close'] > temp_df.iloc[i + 2]['open']) and \
            (temp_df.iloc[i + 1]['close'] > temp_df.iloc[i + 1]['open']) and \
            (temp_df.iloc[i]['close'] > temp_df.iloc[i]['open'])and \
            (temp_df.iloc[i + 3]['close'] > temp_df.iloc[i + 2]['close'])and \
            (temp_df.iloc[i + 2]['close'] > temp_df.iloc[i + 1]['close']) and\
            (temp_df.iloc[i + 1]['close'] > temp_df.iloc[i]['close']):
                stock_pool.append(code)
                break
    return stock_pool

def buy_stock(stock_pool,df):
    buy_list = []
    for code in stock_pool:
        temp_df = df[df.index==code]
        for i in range(len(temp_df)-2):
            if(temp_df.iloc[i + 2]['close'] < temp_df.iloc[i + 2]['open']) and \
            (temp_df.iloc[i + 1]['close'] < temp_df.iloc[i + 1]['open']) and \
            (temp_df.iloc[i]['close'] < temp_df.iloc[i]['open'])and \
            (temp_df.iloc[i + 2]['close'] < temp_df.iloc[i + 1]['close'])and \
            (temp_df.iloc[i + 1]['close'] < temp_df.iloc[i]['close']):
                buy_list.append(code)
                break
    return buy_list

def sell_stock(buy_list,df):
    sell_list = []
    for stock in buy_list:
        buy_date=jqdata.datetime.strptime(str(stock[1]),"%Y-%m-%d")
        current_date = jqdata.datetime.today()
        days_held = (current_date - buy_date).days
        if days_held >=3:
            sell_list.append(stock[0])
    print("sell list:",sell_list)

注意，由于聚宽不支持 tushare 的 ts_code，因此需要将股票代码格式改为聚宽支持的 '000001.XSHE' 格式。另外需要注意代码中的大小写，聚宽中的 jqdatasdk、jqdata.datetime 都是小写。

df.iloc 和 df.values区别

### 回答1：
`df.iloc` 和 `df.values` 在操作 pandas 数据框时有不同的作用。

- `df.iloc` 是用于选择数据框的行和列的，它是通过行和列的索引位置来选择数据的，所以它返回的是一个数据框的切片，可以继续进行数据处理。

- `df.values` 是用于获取数据框的数值矩阵，它把数据框的所有数据读取出来并以 numpy 数组的形式返回，不可以继续进行数据处理，而且它不包含任何数据框的索引信息。

### 回答2：
df.iloc和df.values都是pandas的函数，用于提取数据框中的数据。虽然它们的目的相似，但是有一些区别。

首先，df.iloc用于按位置提取数据。iloc接受整数作为参数，用于指定要提取的行和列的位置。例如，df.iloc[0,1]用于提取数据框的第一行第二列的值。

相比之下，df.values用于返回数据框中的数据的Numpy数组表示。它并不需要参数，只需将它应用于数据框即可。df.values返回一个二维数组，其中每个元素都是数据框中对应位置的值。

另一个区别是返回的数据类型。df.iloc返回的是pandas的Series对象或数据框，该对象可以进行进一步的数据操作和处理。而df.values返回的是Numpy数组，这意味着你将无法使用pandas的一些特有功能。

此外，df.iloc提供了更多的灵活性，它允许进行切片、布尔索引等操作。而df.values仅提供了对数据的简单提取，没有其他额外的操作功能。

总而言之，df.iloc用于按位置提取数据，并提供了更多的功能和灵活性。而df.values则将数据框的数据直接作为Numpy数组返回，适用于一些简单的提取和处理需求。

### 回答3：
df.iloc和df.values都是Pandas库中DataFrame的属性，用于获取DataFrame的值。它们的区别如下：

1. df.iloc是基于索引位置进行访问的，其中iloc是位置索引（integer location）的缩写。通过df.iloc[row, col]的方式可以确定DataFrame中具体行和列的位置，返回的是相应位置的数据。
而df.values则返回整个DataFrame的数据，以二维数组（numpy.ndarray）的形式展示，不涉及具体行和列的位置。

2. df.iloc适用于基于位置的切片和选择，可以根据行和列的位置来提取数据。例如，可以使用df.iloc[0, :]来选择第一行的所有列，df.iloc[:, 1:3]来选择第2到第3列的所有行。
相反，df.values提取的结果是整个DataFrame中的所有数据，不能进行切片和选择。

3. df.iloc返回的是DataFrame或Series对象，可以继续进行Pandas库中的其他操作。而df.values返回的是一个numpy.ndarray，可以进行NumPy库中的操作，但不能再使用Pandas的函数和方法。

需要注意的是，df.iloc是在Pandas库中较新的一个函数，相较于df.values来说使用较少，更适合进行基于位置的操作。而df.values则常用于一些对性能要求较高、不需要Pandas库中的功能的操作中。