iloc和loc的区别(dataframe的loc和iloc区别)

扫码添加渲大师小管家，免费领取渲染插件、素材、模型、教程合集大礼包！

1、iloc和loc的区别

iloc和loc是两种用于数据筛选和子集选择操作的方法，常用于数据分析和处理中。它们的主要区别在于使用的索引方式不同。

iloc是通过整数位置来进行索引的。这意味着可以使用整数作为行号或列号来选择数据。例如，使用`df.iloc[0]`可以选择第一行的数据，使用`df.iloc[:, 0]`可以选择第一列的数据。iloc方法根据数据的存储顺序进行索引，而不考虑行或列的标签名称。

相比之下，loc是通过标签来进行索引的。可以使用行或列的标签名来选择数据。例如，使用`df.loc['A']`可以选择标签为'A'的行的数据，使用`df.loc[:, 'X']`可以选择标签为'X'的列的数据。loc方法根据行和列的标签来索引，而不考虑数据的存储顺序。

另一个不同之处在于slice（切片）的使用。iloc使用的是Python的标准切片语法，可以使用[start:end:step]的方式选择一定范围的数据。例如，`df.iloc[1:3, :]`表示选择第2行到第3行的数据。而loc则使用的是标签名的切片方式，可以直接使用标签名进行范围选择。例如，`df.loc['B':'D', :]`表示选择标签为'B'到'D'的行的数据。

使用iloc和loc时需要注意的是，iloc使用的是前闭后开的范围，而loc使用的是前闭后闭的范围。意思是iloc选择的范围不包括结束位置的数据，而loc选择的范围包括结束位置的数据。

综上所述，iloc和loc是两种常用的数据筛选和子集选择方法。iloc使用整数位置索引数据，而loc使用标签索引数据。根据具体的需求和数据结构，可以选择适合的方法来进行数据操作。

2、dataframe的loc和iloc区别

Dataframe是Pandas库中最常用的数据结构之一，用于处理二维数据。在使用Dataframe时，我们经常需要根据条件选择数据，这就需要用到loc和iloc这两个函数来进行数据的定位和筛选。

我们来介绍一下loc函数。loc是根据label来选择数据的，它接收一个label或者一个label的列表作为参数。这些label可以是行或者列的名字。例如，我们有一个包含学生成绩的Dataframe，其中行的名字是学生的姓名，列的名字是科目的名称，我们就可以使用loc函数根据学生的姓名和科目的名称来选择成绩。当我们使用一个label时，loc函数返回的是一个Series对象；当我们使用一个label的列表时，loc函数返回的是一个Dataframe对象。

而iloc函数则是根据index来选择数据的，它接收一个index或者一个index的列表作为参数。这些index是整型的。例如，我们有一个包含学生成绩的Dataframe，其中行的index是学生的编号，列的index是科目的编号，我们就可以使用iloc函数根据学生的编号和科目的编号来选择成绩。当我们使用一个index时，iloc函数返回的是一个Series对象；当我们使用一个index的列表时，iloc函数返回的是一个Dataframe对象。

在使用loc和iloc函数时需要注意的是，当我们用loc函数选择数据时，最后的结果是包含选中行和列的所有数据；而当我们用iloc函数选择数据时，最后的结果是选中的行和列的交叉的数据。即loc是以label为准，iloc是以index为准。

总而言之，loc函数是根据label来选择数据的，iloc函数是根据index来选择数据的。我们根据具体的使用场景选择合适的函数，来定位和筛选Dataframe中的数据。

3、如何用iloc添加新的数据列

如何用iloc添加新的数据列

iloc是pandas库中一个用于按照索引位置选取数据的函数，可以在数据表中添加新的数据列。下面将介绍如何使用iloc函数来添加新的数据列。

要使用iloc添加新的数据列，首先需要创建一个pandas数据表。可以使用pd.DataFrame()函数来创建一个空的数据表。

例如，我们创建一个包含姓名和年龄的数据表：

```python

import pandas as pd

# 创建一个空的数据表

df = pd.DataFrame()

# 添加姓名和年龄列

df['姓名'] = ['张三', '李四', '王五']

df['年龄'] = [20, 25, 30]

print(df)

```

运行代码后，会输出以下数据表：

```

姓名 年龄

0 张三 20

1 李四 25

2 王五 30

```

我们可以使用iloc函数来添加新的数据列。iloc函数接受两个参数，第一个参数是行的索引位置，第二个参数是列的索引位置。

例如，如果要在数据表的最后一列添加一个新的数据列，可以使用iloc函数如下：

```python

import pandas as pd

# 创建一个空的数据表

df = pd.DataFrame()

# 添加姓名和年龄列

df['姓名'] = ['张三', '李四', '王五']

df['年龄'] = [20, 25, 30]

# 添加新的数据列

df.iloc[:, -1] = [160, 170, 180]

print(df)

```

运行代码后，会输出以下数据表：

```

姓名 年龄 新列

0 张三 20 160

1 李四 25 170

2 王五 30 180

```

通过这种方式，我们可以使用iloc函数来按照索引位置添加新的数据列。需要注意的是，使用iloc函数时，需要提供正确的索引位置，否则可能会导致数据出错。

4、python loc函数

Python中的loc函数是Pandas库中的一个非常重要的函数，用于基于标签进行数据筛选和访问。它可以根据行标签和列标签来定位数据，非常方便实用。

loc函数的基本语法是：df.loc[row_indexer, column_indexer]，其中，row_indexer表示行标签的选择器，column_indexer表示列标签的选择器。

当只有行标签时，可以使用loc函数来定位整行的数据；当只有列标签时，可以使用loc函数来定位整列的数据。同时，通过指定行标签和列标签，也能定位具体的某个值。

除了单个的行标签和列标签，还可以传入列表、切片、布尔数组等进行多条件组合筛选。比如，可以使用loc函数定位满足多个条件的数据行，或者定位满足某一条件的某一列数据。

使用loc函数并不会改变原数据，而是返回一个子数据集，使得在对原数据进行筛选和修改时更加方便和灵活。

Python的loc函数在数据处理和分析中非常常用，可以轻松实现数据的精确筛选和访问。掌握了loc函数的使用方法，可以更高效地处理数据，提高工作效率。