Python Pandas如何获取和修改任意位置的值（at,iat,loc,iloc）

更新时间：2022年01月06日 15:49:21 作者：饺子大人

在我们对数据进行选择之后,需要对特定的数据进行设置更改,设置,下面这篇文章主要给大家介绍了关于Python Pandas如何获取和修改任意位置的值（at,iat,loc,iloc）的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下

前言

要在pandas.DataFrame中的任何位置检索或更改数据，可以使用at，iat，loc，iloc。

位置的指定方法
- at，loc：行标签（行名），列标签（列名）
- iat，iloc：行号，列号
选择和获取/更改的数据
- at，iat：单个元素的值
- loc，iloc：单个元素和多个元素值
  - 选择的行/列的获取和修改
  - 列表和切片的范围指定
其他
- at和iat的处理速度比loc和iloc更快
- 如果要通过组合标签和数字来指定位置，请在index或column处或loc处组合（末尾说明）

在此将描述以下内容。

at，iat：选择，获取和更改单个元素的值
loc，iloc：选择，获取和更改单个和多个元素的值
- 选择单个元素的值
- 选择多个元素值
- 选择行/列
当行名和列名具有重复值时
通过数字和标签指定位置
在pandas.Series中选择行时的隐式类型转换

还可以使用直接索引df []选择/获取pandas.DataFrame的行/列和pandas.Series的元素值。

在此示例代码中，将以下csv数据与read_csv结合使用。

age state point
name
Alice 24 NY 64
Bob 42 CA 92
Charlie 18 CA 70
Dave 68 TX 70
Ellen 24 CA 88
Frank 30 NY 57

第一列设置为参数index_col中的index。

import pandas as pd

df = pd.read_csv('./data/04/sample_pandas_normal.csv', index_col=0)
print(df)
#          age state  point
# name
# Alice     24    NY     64
# Bob       42    CA     92
# Charlie   18    CA     70
# Dave      68    TX     70
# Ellen     24    CA     88
# Frank     30    NY     57

行标签（索引）和列标签（列）的值如下。

print(df.index.values)
# ['Alice' 'Bob' 'Charlie' 'Dave' 'Ellen' 'Frank']

print(df.columns.values)
# ['age' 'state' 'point']

at，iat：选择，获取和更改单个元素的值

at通过行标签和列标签指定位置。除了获取数据之外，还可以在该位置设置（替换）新值。

print(df.at['Bob', 'age'])
print(df.at['Dave', 'state'])
# 42
# TX

df.at['Bob', 'age'] = 60
print(df.at['Bob', 'age'])
# 60

iat通过行号和列号指定位置。行号和列号以0开头。

iat和at一样，iat不仅可以获取数据，而且可以在该位置设置（替代）新值。

print(df.iat[1, 0])
print(df.iat[3, 1])
# 60
# TX

df.iat[1, 0] = 42
print(df.iat[1, 0])
# 42

loc，iloc：选择，获取和更改单个和多个元素的值

loc和iloc通过指定范围不仅可以选择单个值，还可以选择多个数据。

loc通过行和列标签指定位置，而iloc通过行和列编号指定位置。

选择单个元素的值

访问单个值时，它与at和iat相同。但at和iat的处理速度更快。

print(df.loc['Bob', 'age'])
print(df.iloc[3, 1])
# 42
# TX

除了查看数据外，还可以在该位置设置（替换）新值。

df.loc['Bob', 'age'] = 60
print(df.loc['Bob', 'age'])
# 60

df.iloc[1, 0] = 42
print(df.iloc[1, 0])
# 42

选择多个元素值

要访问多个值，在列表[x，y]或切片[start:stop:step]中指定数据的范围和位置。引用的值将是pandas.Series或pandas.DataFrame。

切片的写入方式与普通切片相同。step可以省略。

print(df.loc['Bob':'Dave', 'age'])
print(type(df.loc['Bob':'Dave', 'age']))
# name
# Bob        42
# Charlie    18
# Dave       68
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>

print(df.loc[:'Dave', ['age', 'point']])
print(type(df.loc[:'Dave', 'age':'point']))
#          age  point
# name               
# Alice     24     64
# Bob       42     92
# Charlie   18     70
# Dave      68     70
# <class 'pandas.core.frame.DataFrame'>

print(df.iloc[:3, [0, 2]])
print(type(df.iloc[:3, [0, 2]]))
#          age  point
# name               
# Alice     24     64
# Bob       42     92
# Charlie   18     70
# <class 'pandas.core.frame.DataFrame'>

如果指定了step，则可以提取并获取奇数或偶数行。

print(df.iloc[::2, 0])
print(type(df.iloc[::2, 0]))
# name
# Alice      24
# Charlie    18
# Ellen      24
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>

print(df.iloc[1::2, 0])
print(type(df.iloc[1::2, 0]))
# name
# Bob      42
# Dave     68
# Frank    30
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>

可以一次更改多个值。

print(df.loc['Bob':'Dave', 'age'])
# name
# Bob        20
# Charlie    30
# Dave       40
# Name: age, dtype: int64

选择行/列

若要选择行或列，可以使用直接索引引用df []，但只能在以下指定方法中使用。

行选择：行名和行号的切片
列选择：列名称或列名称列表

print(df['Bob':'Ellen'])
#          age state  point
# name                     
# Bob       20    CA     92
# Charlie   30    CA     70
# Dave      40    TX     70
# Ellen     24    CA     88

print(df[:3])
#          age state  point
# name                     
# Alice     24    NY     64
# Bob       20    CA     92
# Charlie   30    CA     70

print(df['age'])
# name
# Alice      24
# Bob        20
# Charlie    30
# Dave       40
# Ellen      24
# Frank      30
# Name: age, dtype: int64

print(df[['age', 'point']])
#          age  point
# name               
# Alice     24     64
# Bob       20     92
# Charlie   30     70
# Dave      40     70
# Ellen     24     88
# Frank     30     57

当使用loc和iloc选择行或列时，可以比索引参考df []更灵活地指定它。

在loc和iloc中省略该列，则它将是行引用。可以选择无法通过索引引用完成的单行，也可以选择列表中的多行。

print(df.loc['Bob'])
print(type(df.loc['Bob']))
# age      20
# state    CA
# point    92
# Name: Bob, dtype: object
# <class 'pandas.core.series.Series'>

print(df.iloc[[1, 4]])
print(type(df.iloc[[1, 4]]))
#        age state  point
# name                   
# Bob     20    CA     92
# Ellen   24    CA     88
# <class 'pandas.core.frame.DataFrame'>

可以通过将行规范设置为loc和iloc中的（整个切片）来引用列。可以使用索引引用无法完成的切片。也可以在iloc中使用列号。

print(df.loc[:, 'age':'point'])
print(type(df.loc[:, 'age':'point']))
#          age state  point
# name                     
# Alice     24    NY     64
# Bob       20    CA     92
# Charlie   30    CA     70
# Dave      40    TX     70
# Ellen     24    CA     88
# Frank     30    NY     57
# <class 'pandas.core.frame.DataFrame'>

print(df.iloc[:, [0, 2]])
print(type(df.iloc[:, [0, 2]]))
#          age  point
# name               
# Alice     24     64
# Bob       20     92
# Charlie   30     70
# Dave      40     70
# Ellen     24     88
# Frank     30     57
# <class 'pandas.core.frame.DataFrame'>

当行名和列名具有重复值时

具有重复值的行和列也可以在index和columns中指定。

例，其中将具有重复值的列指定为index。

df_state = pd.read_csv('data/src/sample_pandas_normal.csv', index_col=2)
print(df_state)
#           name  age  point
# state                     
# NY       Alice   24     64
# CA         Bob   42     92
# CA     Charlie   18     70
# TX        Dave   68     70
# CA       Ellen   24     88
# NY       Frank   30     57

print(df_state.index.values)
# ['NY' 'CA' 'CA' 'TX' 'CA' 'NY']

如果在中指定重复的列名，则numpy.ndarray中将返回多个值。

print(df_state.at['NY', 'age'])
print(type(df_state.at['NY', 'age']))
# [24 30]
# <class 'numpy.ndarray'>

如果在loc中指定重复的列名，则它将在pandas.DataFrame或pandas.Series中返回。

print(df_state.loc['NY', 'age'])
print(type(df_state.loc['NY', 'age']))
# state
# NY    24
# NY    30
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>

print(df_state.loc['NY', ['age', 'point']])
print(type(df_state.loc['NY', ['age', 'point']]))
#        age  point
# state            
# NY      24     64
# NY      30     57
# <class 'pandas.core.frame.DataFrame'>

在iat或iloc中指定列号时，即使值重复也没有关系。

print(df_state.iat[0, 1])
# 24

可以使用index.is_unique和column.is_unique检查列标签和行标签是否具有唯一值（不重复）。

print(df_state.index.is_unique)
# False

print(df_state.columns.is_unique)
# True

通过数字和标签指定位置

如果要使用数字和标签（例如行号和列标签）的组合指定位置，则可以在at或loc处使用索引或列。可以按索引或列从行号或列号中获取行标签和列标签。

print(df)
#          age state  point
# name                     
# Alice     24    NY     64
# Bob       20    CA     92
# Charlie   30    CA     70
# Dave      40    TX     70
# Ellen     24    CA     88
# Frank     30    NY     57

print(df.index[2])
# Charlie

print(df.columns[1])
# state

使用at或loc，可以通过数字和标签的组合来指定位置。

print(df.at[df.index[2], 'age'])
# 30

print(df.loc[['Alice', 'Dave'], df.columns[1]])
# name
# Alice    NY
# Dave     TX
# Name: state, dtype: object

在使用slice start：stop：step进行指定时，如果loc使用行标签/列标签，则直到停止为止，但如果iloc使用行号/列编号，则将直到停止前成为请注意，如果要将stop的值从数字转换为标签，则需要执行类似索引[n-1]的操作。

另外，如下所述，当选择一行时，可以执行隐式类型转换。最好使用上面显示的索引和列将它们组合为at或loc。

print(df['age'][2])
# 30

print(df.age[2])
# 30

print(df.loc[['Alice', 'Dave']].iloc[:, 1])
# name
# Alice    NY
# Dave     TX
# Name: state, dtype: object

在pandas.Series中选择行时的隐式类型转换

当loc或iloc中的pandas.Series选择并获取一行时，数据类型dtype是统一的，因此，如果原始pandas.DataFrame的每一列的数据类型不同，则会执行隐式类型转换。

以pandas.DataFrame为例，其中有一列整数int和一列浮点数。

df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C'])
print(df_mix)
#    col_int  col_float
# A        0        0.1
# B        1        0.2
# C        2        0.3

print(df_mix.dtypes)
# col_int        int64
# col_float    float64
# dtype: object

使用loc或iloc提取一行将导致float pandas.Series。 int列中的元素将转换为float。

print(df_mix.loc['B'])
# col_int      1.0
# col_float    0.2
# Name: B, dtype: float64

print(type(df_mix.loc['B']))
# <class 'pandas.core.series.Series'>

如果按如下所示编写[]，则将pandas.Series元素转换为float。请注意，元素的值将以与原始类型不同的类型获得。

print(df_mix.loc['B']['col_int'])
# 1.0

print(type(df_mix.loc['B']['col_int']))
# <class 'numpy.float64'>

如上所述，最好使用at和iat而不是重复编写[]，loc和iloc。如果是at或iat，则可以获取原始类型的元素。

print(df_mix.at['B', 'col_int'])
# 1

print(type(df_mix.at['B', 'col_int']))
# <class 'numpy.int64'>

如果在loc或iloc中指定一个包含1个元素的列表，它将是一行的pandas.DataFrame而不是pandas.Series。当然，在这种情况下，将保留原始数据类型dtype。

print(df_mix.loc[['B']])
#    col_int  col_float
# B        1        0.2

print(type(df_mix.loc[['B']]))
# <class 'pandas.core.frame.DataFrame'>

print(df_mix.loc[['B']].dtypes)
# col_int        int64
# col_float    float64
# dtype: object

总结

到此这篇关于Python Pandas如何获取和修改任意位置的值（at,iat,loc,iloc）的文章就介绍到这了,更多相关Pandas获取修改任意位置的值内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

Python 制作子弹图
这篇文章主要介绍了Python 制作子弹图，众所周知，Python 的应用是非常广泛的，今天我们就通过 matplotlib 库学习下如何制作精美的子弹图,需要的朋友可以参考一下
2021-12-12
Python直接赋值、浅拷贝与深度拷贝实例分析
这篇文章主要介绍了Python直接赋值、浅拷贝与深度拷贝,结合实例形式分析了Python直接赋值、浅拷贝与深度拷贝的概念、原理、用法及相关操作注意事项,需要的朋友可以参考下
2019-06-06
解决ROC曲线画出来只有一个点的问题
今天小编就为大家分享一篇解决ROC曲线画出来只有一个点的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-02-02
详解如何通过Python制作一个密码生成器
定期更换密码是一种非常重要的安全措施，这种做法可以有效地保护你的账户和个人信息不受黑客和网络攻击者的侵害。所以本文就来用Python制作一个密码生成器吧
2023-05-05
Django集成富文本编辑器summernote的实现步骤
在最近的项目中小编使用了这个富文本编辑器，选择它的主要原因是配置非常简单，默认支持普通用户上传图片(不像ckeditor默认只有staff user才能上传图片。如果要让普通用户上传图片，还需修改源码装饰器)。现在让我们来看看如何使用这个富文本编辑器
2021-05-05
python安装whl包并解决依赖关系的实现
本文主要介绍了python安装whl包并解决依赖关系的实现,文中通过图文示例介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
2025-02-02
python发送邮件脚本
这篇文章主要为大家详细介绍了发送邮件python脚本，支持多个附件，中文，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2018-05-05
Pytorch写数字识别LeNet模型
这篇文章主要介绍了Pytorch写数字识别LeNet模型，LeNet-5是一个较简单的卷积神经网络， LeNet-5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层。是其他深度学习模型的基础，这里我们对LeNet-5进行深入分析,需要的朋友可以参考下
2022-01-01
Windows下安装Scrapy
今天小编就为大家分享一篇关于Windows下安装Scrapy，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧
2018-10-10
python用selenium打开浏览器后秒关闭浏览器的解决办法
最近朋友在学Selenium的时候遇到一个问题,当执行完selenium程序后,浏览器会闪退也就是自动关闭,这篇文章主要给大家介绍了关于python用selenium打开浏览器后秒关闭浏览器的解决办法,需要的朋友可以参考下
2023-07-07