Pandas中df.loc[]与df.iloc[]的用法与异同 

官网资料:

loc  :https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html
iloc  : https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html

用 途：

• 取数: 从dataframe中取 一部分行与列的数据 (为主)

• 赋值: 给指定的 行与列赋值 df.loc[xx,xx] = xx

输入参数注意：

方括号内的参数:

• loc、iloc 方括号中,参数的排布模式为[行条件,列条件],当总体条件只有一个时候(最外层方括号内无逗号)，会按照：先行后列的方法来匹配对应的条件

• 默认会抛弃掉对应的dataframe格式，输出series，如果想保留dataframe格式，需要在条件外边加 ”[ ]”。

loc与iloc条件（行/列）相同之处：

• 单一元素(不包含list) str/int/slice 选取行时候，选取的是对应条件下的行 (series)

• 单一元素(不包含list) str/int/slice 选取列时候，选取的是对应条件下的列(series)

• 条件为list时候，选取的是一组对应的 行（列） 条件下的（dataframe数据）

• 布尔值的list/可与df对齐的series(布尔类型): 与index长度相同的话 选择对应值为True的行，与列数相同的话，选取对应值为True 的列。

• df的index的子集index2: 选取df中对应的index2的行

• 函数：输入为行/列series(外层有逗号)或者dataframe(外层无括号) 返回为对应输入的一个布尔值表，用来筛选对应的数据。

不同之处：

• 当对应的行/列标签为 int类型x时候，iloc表示对应的第x个 index或column，而loc 表示对应的index /column名称等于这个x。

• 对应的开闭区间不同  df.loc[1:5,1:5] 会有一个最多 5x5的df数据子集，而df.iloc[1:5,1:5] 会有最多4x4df数据子集，其中iloc的行/列切片不包含最后一个数（与range函数类似）

loc与iloc 实际用例:

df = pd.DataFrame([[1, 2,3,14], [4, 5,6,17], [7, 8,9,10],[11,12,13,14]],
     index=[2,3,4,5],
     columns=[2,4,5,6])
  
# loc 行/列条件是对应的标签值在对应的范围内，[闭合，闭合] 区间
df.loc[2:5,2:5]
#   输出为:
#    2    4    5
#2    1    2    3
#3    4    5    6
#4    7    8    9
#5    11    12    13
 
# 选取index 为 2 的行里面的值
# 不推荐：df.loc[2] 下文省略
df.loc[2,:]
# 输出为  1,2,3,14 series类型
 
# 选取index 为 2 的行 保留dataframe类型
df.loc[[2],:] 
 
#选取对应列名为 2 的列
df.loc[:,2] 
# 这里 index 与 列名都是int类型，因此loc方括号中使用int类型，如果是其他类型，对应的数字要改成其他类型的数据，不能再用数字
 
# iloc 行/列条件是对应的标签或者列名的索引值在范围内，[闭合，开放) 区间
df.iloc[2:5,2:5]
# 输出为 
#    5     6
#4     9     10
#5     13     14
 
# 这里 索引是以0开始的，所有行的切片应该写作 0:5  也可以写作“ ：”
# iloc 数字类型来做筛选的
 
# 不管是loc 还是 iloc 都建议用[行条件,列条件] 来写，其中如果无需筛选可以用:来占位，表意明确。
# loc 匹配的是 index/列名的值 与对应的条件
# iloc 匹配的是 index/列名对应的索引号 与对应的条件

来源：https://blog.csdn.net/bf96163/article/details/122304597