pandas的iloc、loc、.at、.iat区别

Pandas库中的`loc`、`iloc`、`.at`和`.iat`用于数据框（DataFrame）的索引操作，它们之间的主要区别在于所使用的索引类型：

1. **loc** (label-based indexing): 这种方式基于标签（即行和列的名字）。当你想要根据行名或列名选择数据时，应该使用`loc`。例如，要选取所有姓‘张’的学生的成绩：

   df.loc[df['姓名'] == '张三', '成绩']

2. **iloc** (integer-location based indexing): 这是基于位置的索引，使用的是整数下标。它适用于直接通过数字来访问行和列。比如，选取前两行的所有数据：

   df.iloc[:2, :]

注意，这里的冒号表示从开始到结束，包括开头但不包括结尾。

3. **.at** 和 **.iat**: 这两个方法主要用于单元素的定位。`.at`用于精确匹配，如果列名存在重复，则会引发错误；而`.iat`则使用整数下标，不会检查名称是否存在。例如，获取张三的成绩（假设列名无重复）：

   df.at[df.index.get_loc('张三'), '成绩']

或者使用`.iat`：

   df.iat[df.columns.get_loc('成绩'), df.index.get_loc('张三')]

相关问题

详解pandas dataframe的查询方法(loc,iloc,at,iat,ix的用法和区别

pandas是一个强大的数据分析工具，在数据处理过程中，我们经常需要对DataFrame进行查询操作。Pandas提供了多种查询方法，包括loc、iloc、at、iat和ix。以下是对这些方法的详细解释和区别。

1. loc：loc是通过行标签和列标签进行查询的方法。例如，可以使用df.loc[row_index, column_name]的方式来查询DataFrame的特定值或行列的子集。其中row_index可以是单个索引、索引列表或布尔数组，column_name可以是单个列名或列名列表。loc方法返回的是一个新的DataFrame或Series对象，以便进行进一步的操作。

2. iloc：iloc是通过行索引和列索引进行查询的方法。它与loc的用法类似，但是不是使用标签，而是使用整数位置来定位数据。例如，可以使用df.iloc[row_index, column_index]的方式来查询DataFrame的特定值或行列的子集。同样地，iloc方法返回的也是一个新的DataFrame或Series对象。

3. at：at用于直接查询DataFrame中的单个元素，它使用行标签和列标签来定位。例如，可以使用df.at[row_label, column_label]的方式来获取特定位置的值。与loc方法相比，at方法更快，并且只返回标量值。

4. iat：iat用于通过整数位置来查询DataFrame中的单个元素。可以使用df.iat[row_index, column_index]的方式来获取特定位置的值。iat方法与at方法的区别与iloc与loc的区别相似。

5. ix：在旧版本的pandas中，ix方法用于混合标签和整数位置的查询。它可以使用标签或整数位置来定位数据，但是由于存在一些歧义和性能问题，自从pandas 0.20版本后，被推荐使用loc和iloc方法来替代ix方法。

总的来说，loc和at是通过标签进行查询的方法，iloc和iat是通过整数位置进行查询的方法。同时，loc和iloc返回的是一个新的DataFrame或Series对象，而at和iat只返回标量值。在实际使用中，根据需要选择不同的查询方法。

用pandas函数代替下列语句：data2_0_time3.loc[i,'speed_391_24']=0 data2_0_time3.loc[i,'speed_391_23']=0 data2_0_time3.loc[i,'speed_391_22']=0 k=0 for j in range(1,4): if np.isnan(data2_0_time3.iat[i-j,0])==False: data2_0_time3.loc[i,'speed_391_24']=data2_0_time3.iat[i,0]+data2_0_time3.iat[i-j,0] data2_0_time3.loc[i,'speed_391_23']=data2_0_time3.iat[i,1]+data2_0_time3.iat[i-j,1] data2_0_time3.loc[i,'speed_391_22']=data2_0_time3.iat[i,2]+data2_0_time3.iat[i-j,2] k=k+1 if np.isnan(data2_0_time3.iat[i+j,0])==False: data2_0_time3.loc[i,'speed_391_24']=data2_0_time3.iat[i,0]+data2_0_time3.iat[i+j,0] data2_0_time3.loc[i,'speed_391_23']=data2_0_time3.iat[i,1]+data2_0_time3.iat[i+j,1] data2_0_time3.loc[i,'speed_391_22']=data2_0_time3.iat[i,2]+data2_0_time3.iat[i+j,2] k=k+1 data2_0_time3.loc[i,'speed_391_24']=data2_0_time3.iat[i,0]/k data2_0_time3.loc[i,'speed_391_23']=data2_0_time3.iat[i,1]/k data2_0_time3.loc[i,'speed_391_22']=data2_0_time3.iat[i,2]/k

可以使用pandas的rolling函数来代替循环，代码如下：

data2_0_time3.loc[i,['speed_391_24','speed_391_23','speed_391_22']] = [0,0,0]
if i >= 3:
rollingdata = data2_0_time3.iloc[i-3:i,:3]
rollingdata = rollingdata.dropna()
rollingcnt = len(rollingdata)
if rollingcnt > 0:
data2_0_time3.loc[i,['speed_391_24','speed_391_23','speed_391_22']] = rollingdata.mean()

其中，rolling函数会在数据窗口中滑动，计算滑动窗口内的均值。如果数据窗口中包含NaN值，则在均值计算中除去该值。最终，使用mean函数计算每个窗口的均值，并在原始数据中更新对应的值。