data.loc怎么用

`data.loc` 是 Pandas 中用来选择行和列的方法。它可以通过行和列的标签进行选择。

具体用法如下：

选取行：

data.loc[row_label]  # 选取单行
data.loc[start_row_label : end_row_label]  # 选取多行

选取列：

data.loc[:, col_label]  # 选取单列
data.loc[:, start_col_label : end_col_label]  # 选取多列

选取行和列：

data.loc[row_label, col_label]  # 选取单元格
data.loc[start_row_label : end_row_label, start_col_label : end_col_label]  # 选取多行多列

其中，`row_label` 和 `col_label` 可以是单个标签、标签列表或者标签切片。

例如，如果我们有一个 DataFrame `df`，其中有两列 `name` 和 `age`，我们想要选取 `name` 列中前三行的数据，可以使用如下代码：

df.loc[:2, 'name']

这样就会返回一个包含前三行 `name` 列数据的 Series 对象。

相关问题

for i in range (data.loc[:,data.dtypes.values=="int64"].shape[1]): data.loc[i,data.dtypes.values=="int64"]= data.loc[i,data.dtypes.values=="int64"].apply(lambda x: float(x))

这段代码的作用是将DataFrame中的整型数据转化为浮点型数据。具体实现如下：

1. `data.loc[:,data.dtypes.values=="int64"]` 会先获取DataFrame中所有数据类型为int64的列；
2. `data.loc[i,data.dtypes.values=="int64"]` 会获取第i列数据类型为int64的数据；
3. `data.loc[i,data.dtypes.values=="int64"].apply(lambda x: float(x))` 会将第i列数据类型为int64的数据中的每个元素都转化为浮点型数据。这里使用了apply()方法，apply()会对Series中的每个元素都执行指定的操作，lambda x: float(x)表示将每个元素都转化为浮点型数据；
4. 最后将转化后的浮点型数据赋值回原始DataFrame中。

需要注意的是，这段代码中的循环实际上是对DataFrame中的每一列都执行了一遍相同的操作，因此可以使用applymap()方法来简化代码，如下所示：

data.loc[:, data.dtypes.values == "int64"] = data.loc[:, data.dtypes.values == "int64"].applymap(float)

这样就可以将DataFrame中所有数据类型为int64的数据都转化为浮点型数据了。

data["水流量"] = data["水流量"] / 60 # 原单位L/min，现转换为L/sec sj["总用水量"] = 0 # 给总用水量赋一个初始值0 for i in range(len(sj)): Start = sj.loc[i,"事件起始编号"]-1 End = sj.loc[i,"事件终止编号"]-1 if Start != End: for j in range(Start,End): if data.loc[j,"水流量"] != 0: sj.loc[i,"总用水量"] = (data.loc[j + 1,"发生时间"] - data.loc[j,"发生时间"]).seconds* \ data.loc[j,"水流量"] + sj.loc[i,"总用水量"] sj.loc[i,"总用水量"] = sj.loc[i,"总用水量"] + data.loc[End,"水流量"] * 2 else: sj.loc[i,"总用水量"] = data.loc[Start,"水流量"] * 2 sj["平均水流量"] = sj["总用水量"] / sj["用水时长"] # 定义特征 平均水流量 # 构造特征：水流量波动 # 水流量波动=∑(((单次水流的值-平均水流量)^2)*持续时间)/用水时长 sj["水流量波动"] = 0 # 给水流量波动赋一个初始值0 for i in range(len(sj)): Start = sj.loc[i,"事件起始编号"] - 1 End = sj.loc[i,"事件终止编号"] - 1 for j in range(Start,End + 1): if data.loc[j,"水流量"] != 0: slbd = (data.loc[j,"水流量"] - sj.loc[i,"平均水流量"])**2 slsj = (data.loc[j + 1,"发生时间"] - data.loc[j,"发生时间"]).seconds sj.loc[i,"水流量波动"] = slbd * slsj + sj.loc[i,"水流量波动"] sj.loc[i,"水流量波动"] = sj.loc[i,"水流量波动"] / sj.loc[i,"用水时长"] # 构造特征：停顿时长波动 # 停顿时长波动=∑(((单次停顿时长-平均停顿时长)^2)*持续时间)/总停顿时长 sj["停顿时长波动"] = 0 # 给停顿时长波动赋一个初始值0 for i in range(len(sj)): if sj.loc[i,"停顿次数"] > 1: # 当停顿次数为0或1

时，停顿时长波动为0 Start = sj.loc[i,"事件起始编号"] - 1 End = sj.loc[i,"事件终止编号"] - 1 tdsc = sj.loc[i,"停顿时长"] tdc = sj.loc[i,"停顿次数"] for j in range(Start,End): if data.loc[j,"水流量"] == 0: tdsc = (data.loc[j + 1,"发生时间"] - data.loc[j,"发生时间"]).seconds + tdsc sj.loc[i,"总停顿时长"] = tdsc sj.loc[i,"平均停顿时长"] = tdsc / tdc for j in range(Start,End + 1): if data.loc[j,"水流量"] == 0: tdbd = (tdsc / tdc - (data.loc[j + 1,"发生时间"] - data.loc[j,"发生时间"]).seconds)**2 tdsj = (data.loc[j + 1,"发生时间"] - data.loc[j,"发生时间"]).seconds sj.loc[i,"停顿时长波动"] = tdbd * tdsj + sj.loc[i,"停顿时长波动"] sj.loc[i,"停顿时长波动"] = sj.loc[i,"停顿时长波动"] / sj.loc[i,"总停顿时长"] # 构造特征：用水习惯 sj["用水习惯"] = 0 # 给用水习惯赋一个初始值0 for i in range(len(sj)): if sj.loc[i,"用水时长"] > 0: sj.loc[i,"用水习惯"] = sj.loc[i,"总用水量"] / sj.loc[i,"用水时长"]