小白學 Python 資料分析（6）：Pandas （五）基礎操作（2）資料選擇
人生苦短，我用 Python
前文傳送門：
小白學 Python 資料分析（1）：資料分析基礎
小白學 Python 資料分析（2）：Pandas （一）概述
小白學 Python 資料分析（3）：Pandas （二）資料結構 Series
小白學 Python 資料分析（4）：Pandas （三）資料結構 DataFrame
小白學 Python 資料分析（5）：Pandas （四）基礎操作（1）檢視資料
引言
上一篇文章我們介紹如何在 Pandas 一些基礎的檢視資料的操作，但是官方更推薦我們使用 .at、.iat、.loc 和 .iloc 這幾個經過 Pandas 優化過的資料訪問方法來訪問資料。
首先我們還是先建立一個 DataFrame 用作演示，小編偷懶，接著把上一篇的 DataFrame 拷貝過來了，如下：
import numpy as np
import pandas as pd
dates = pd.date_range('20200101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
print(df)DataFrame 是由很多列組成的，其實可以看做是由多個 Series 組成，我們可以單獨獲取一列直接獲得一個 Series ，如下：
# 獲取單列，獲得 Series
print(df['A'])
# 輸出結果
2020-01-01 -0.065477
2020-01-02 -1.089716
2020-01-03 0.049215
2020-01-04 -0.017615
2020-01-05 -0.910402
2020-01-06 -0.008887
Freq: D, Name: A, dtype: float64接下來我們可以通過 [] 對 DataFrame 進行切片操作，示例如下：
# 行切片 print(df[0:3]) print(df['20200101' : '20200103']) # 輸出結果 A B C D 2020-01-01 -0.065477 1.603827 1.152969 0.742842 2020-01-02 -1.089716 -0.540936 0.456917 0.295272 2020-01-03 0.049215 -1.182454 -0.294177 -0.698877 A B C D 2020-01-01 -0.065477 1.603827 1.152969 0.742842 2020-01-02 -1.089716 -0.540936 0.456917 0.295272 2020-01-03 0.049215 -1.182454 -0.294177 -0.698877
可以看到，我們通過整數或者是 columns 將 DataFrame 進行了行切片。
loc
我們可以通過使用 loc 進行 column 名和 index 名定位。
比如我們通過 column 提取出一行資料，如下：
# 用標籤提取一行資料
print(df.loc[dates[0]])
# 輸出結果
A -0.065477
B 1.603827
C 1.152969
D 0.742842
Name: 2020-01-01 00:00:00, dtype: float64注意，這裡的 dates 是我們在最前面生成的一個數組，這裡的寫法同樣可以替換成 df.loc['20200101'] 。
同樣我們可以通過切片的方式獲取指定某幾行的資料，如下：
# 用標籤提取多列資料
print(df.loc[:, ['A', 'B']])
# 輸出結果
A B
2020-01-01 -0.065477 1.603827
2020-01-02 -1.089716 -0.540936
2020-01-03 0.049215 -1.182454
2020-01-04 -0.017615 -0.777637
2020-01-05 -0.910402 -0.173959
2020-01-06 -0.008887 0.525035
# 用標籤進行切片操作，同時制定行與列的結束點
print(df.loc['20200101':'20200103', ['A', 'B']])
# 輸出結果
A B
2020-01-01 -0.065477 1.603827
2020-01-02 -1.089716 -0.540936
2020-01-03 0.049215 -1.182454
# 返回一行中的兩列
print(df.loc['20200101', ['A', 'B']])
# 輸出結果
A -0.065477
B 1.603827
Name: 2020-01-01 00:00:00, dtype: float64那麼我如果想獲得一個指定位置的資料怎麼辦呢？當我們把 DataFrame 想像成為一個座標系的時候，當然是指定橫縱座標可以確定一個唯一的點啊，如下：
# 獲取某個標量值
print(df.loc[dates[0], 'A'])
# 輸出結果
-0.06547653622759132iloc
iloc 和上面的 loc 很像， loc 主要是通過行進行索引定位，而 iloc 是通過 index 也就是列進行索引定位，所以引數是整型， iloc 的英文全稱為 index locate 。
先看一個簡單的示例，我們先用整數選擇出其中的一列：
# 用整數位置選擇
print(df.iloc[3])
# 輸出結果
A -0.017615
B -0.777637
C 0.824364
D 0.210244
Name: 2020-01-04 00:00:00, dtype: float64這裡我們還可以加上切片進行選擇：
# 使用整數按行和列進行切片操作
print(df.iloc[3:5, 0:2])
# 輸出結果
A B
2020-01-04 -0.017615 -0.777637
2020-01-05 -0.910402 -0.173959
# 用整數列表按位置切片
print(df.iloc[[1, 2, 4], [0, 2]])
# 輸出結果
A C
2020-01-02 -1.089716 0.456917
2020-01-03 0.049215 -0.294177
2020-01-05 -0.910402 -1.140222
# 整行切片
print(df.iloc[1:3, :])
# 輸出結果
A B C D
2020-01-02 -1.089716 -0.540936 0.456917 0.295272
2020-01-03 0.049215 -1.182454 -0.294177 -0.698877
# 整列切片
print(df.iloc[:, 1:3])
# 輸出結果
B C
2020-01-01 1.603827 1.152969
2020-01-02 -0.540936 0.456917
2020-01-03 -1.182454 -0.294177
2020-01-04 -0.777637 0.824364
2020-01-05 -0.173959 -1.140222
2020-01-06 0.525035 -1.076101同樣，我們通過 iloc 也可以直接選擇一個標量值：
# 獲取某個標量值 同上
print(df.iloc[1, 1])
# 結果如下
-0.540936460611594at 和 iat
at 和 iat 都是用來訪問單個元素的，而且他們的訪問速度要快於上面的 loc 和 iloc 。
at 使用方法與 loc 類似，示例如下：
print(df.at[dates[0], 'A'])
# 輸出結果
-0.06547653622759132iat 對於 iloc 的關係就像 at 對於 loc 的關係，示例如下：
print(df.iat[1, 1])
# 輸出結果
-0.540936460611594其他
我們還可以使用一些判斷條件來選擇資料，如用單列的值選擇資料，示例如下：
print(df[df.A > 0])
# 輸出結果
A B C D
2020-01-03 0.049215 -1.182454 -0.294177 -0.698877上面這個示例是輸出的所有 A 列大於 0 的資料。
還有直接使用整個 df 做判斷的，示例如下：
print(df[df < 0])
# 輸出結果
A B C D
2020-01-01 -0.065477 NaN NaN NaN
2020-01-02 -1.089716 -0.540936 NaN NaN
2020-01-03 NaN -1.182454 -0.294177 -0.698877
2020-01-04 -0.017615 -0.777637 NaN NaN
2020-01-05 -0.910402 -0.173959 -1.140222 -0.662615
2020-01-06 -0.008887 NaN -1.076101 -0.862407示例程式碼
老規矩，所有的示例程式碼都會上傳至程式碼管理倉庫 Github 和 Gitee 上，方便大家取用。
示例程式碼-Github
示例程式碼-Gitee
參考
https://www.pypandas.cn/docs/getting_started/10min.h