pandas读取行列数据-详细介绍

1、按行读取（单行，多行连续，多行不连续）
2、按列读取（单列，多列连续，多列不连续）
3、部分不连续行不连续列
4、按位置（坐标），按字符（索引）
5、函数有 df.iloc(), df.loc(), df.iat(), df.at(), df.ix()
- 5.1 df.iloc()
- 5.2 df.loc()
- 5.3 df.iat(), df.at(), df.ix()(用的少）

注：python索引从0开始

新建数据为：

import pandas as pd
data = {'人名':    ['小明', '小红', '张三', '李四'],'出生年份': ['2000', '2001', '2002', '2003'],'高考分数':  ['630', '590', '600', '520'],'月薪':     ['5200', '3900', '4500', '3500']}
df = pd.DataFrame(data, columns=['人名', '出生年份', '高考分数', '月薪', '年终奖'],index=['one', 'two', 'three', 'four'])
df['年终奖'] = ['9800', '9200', '9500', '9000']
print("行索引：{}".format(list(df.index)))
print("列索引：{}".format(list(df.columns)))
print(df.index[1:3])
print(df.columns[1])
print(df.columns[1:3])
print(df)

运行结果为：

1、按行读取（单行，多行连续，多行不连续）

注：python索引从0开始

print(df[1:3])                 # 按行取数据（第二行，三行）
print(df.iloc[1])              # 按行取行数据（第二行）
print(df.iloc[1, 3])           # 按坐标取（第二行第四列）
print(df.iloc[[1], [3]])       # 按坐标取（第二行第四列）
print(df.loc[df.index[1:3]])   # 按行索引取行，但没必要
print(df.iloc[1:3])            # 按行取连续数据（第二行至第三行）
print(df.iloc[[1, 3]])         # 按行取不连续数据（第二行，四行）
print(df.iloc[[1,2,3], [2,4]]) # 取部分行部分列数据（第二，三，四行，第三，五列）

程序运行结果为：

2、按列读取（单列，多列连续，多列不连续）

注：python索引从0开始

print(df['人名'])  # 按列名取列
print(df.人名)     # 按列名取列
print(df[['人名', '高考分数']])  # 按列名取不连续列数据
print(df[df.columns[1:4]])      # 按列索引取连续列数据
print(df.iloc[:, 1])            # 按位置取列
print(df.iloc[:, [1, 3]])       # 按位置取不连续列数据

程序运行结果为：

3、部分不连续行不连续列

注：python索引从0开始

df.iloc[[1, 3]]          # 不连续行（第二行第三行）
df.iloc[:, [1, 3]]       # 不连续列（第二列第四列）
df.iloc[[1,2,3], [2,4]]  # 不连续行不连续列（第二，三，四行 第三，五三列）

4、按位置（坐标），按字符（索引）

注：python索引从0开始

df.iloc[1, 3]          # 按坐标取（第二行第四列）
df.iloc[[1], [3]]      # 按坐标取（第二行第四列）
df.iloc[:, 1]          # 按位置取（任意行第二列）
df.iloc[:, [1, 3]]     # 按位置取不连续列数据（任意行第二列，第四列）
df['人名']
df.人名

5、函数有 df.iloc(), df.loc(), df.iat(), df.at(), df.ix()

注：python索引从0开始

5.1 df.iloc()

print(df.iloc[1])              # 按行取行数据（第二行）
print(df.iloc[1, 3])           # 按坐标取（第二行第四列）
print(df.iloc[[1], [3]])       # 按坐标取（第二行第四列）
print(df.loc[df.index[1:3]])   # 按行索引取行，但没必要
print(df.iloc[1:3])            # 按行取连续数据（第二行至第三行）
print(df.iloc[[1, 3]])         # 按行取不连续数据（第二行，四行）
print(df.iloc[[1,2,3], [2,4]]) # 取部分行部分列数据（第二，三，四行，第三，五列）

程序运行结果为：

5.2 df.loc()

print(df.loc['two'])
print(df.loc['two', '人名'])
print(df.loc['two':'three'])
print(df.loc[['one', 'three']])
print(df.loc[['one', 'three'], ['人名', '出生年份']])

程序运行的结果为：

5.3 df.iat(), df.at(), df.ix()(用的少）

print(df.ix[1:3])
print(df.ix[:, [1, 3]])
print(df.iat[1,3])
print(df.at['two', '人名'])

注：python索引从0开始

pandas读取行列数据-详细介绍(连续不连续)相关推荐

python简述文件的操作步骤_Python文件读取操作的详细介绍
本篇文章给大家带来的内容是关于Python文件读取操作的详细介绍,有一定的参考价值,有需要的朋友可以参考一下,希望对你有所帮助. 读取文件的操作步骤有一道脑筋急转弯,问把大象装进冰箱的步骤,答案很简 ...
pandas玩转excel-＞ (2)如何利用pandas读取excel数据文件
pandas玩转excel-> (2)如何利用pandas读取excel数据文件 import pandas as pd #将excel文件读到内存中,形成dataframe,并命名为peopl ...
pandas读取文件数据、存储详解笔记
本文是对 <利用Python进行数据分析>中关于数据读取的回顾性总计笔记,包含代码注释等. 目录 pd.read_csv和pd.read_table jsons数据读取二级制数据读取读 ...
Pandas 读取MySql 数据(完整版)
1. 前言那 MySQL 作为数据记录和处理的常用工具之一,我们如何用 Pandas 进行 MySQL 数据的解析呢?本节课我们首先讲述 PyMySQL 库进行 MySQL 数据库的连接,然后讲述 ...
pandas读取excel数据并对重复数据进行标记或者删除
pandas通常在读取excel数据之后,如果需要进行去重,有两种方式,一种是进行标记,另一种是在pandas中直接去重如下图所示,excel数据: (1)使用drop_duplicates(sub ...
6.9 用Python操控数据库（批量删除，百度新闻数据爬取与存储，写入数据时进行去重处理，pandas读取sql数据）
学习完MySQL数据库的基本操作后,下面来学习如何用Python连接数据库,并进行数据的插入.查找.删除等操作. 6.9.1 用PyMySQL库操控数据库上一节在phpMyAdmin 中创建了数据库 ...
pandas读取csv数据、参数指定作为行索引的数据列索引列表形成复合（多层）行索引、使用set_index函数把数据列转化为行索引（keys参数指定需要被转化的数据列）
pandas使用read_csv函数读取csv数据.index_col参数指定作为行索引的数据列索引列表形成复合(多层)行索引.header参数指定作为
玻璃管标签的材质、读取、应用领域详细介绍
由于RFID电子标签应用领域广泛,因此大家对电子标签了解得更多,但玻璃管标签却很少出现在大家视野,因此健永科技针对玻璃管标签的材质.读取.应用领域做详细介绍,希望大家能对玻璃管标签有更全面的了解. 应 ...
Python用pandas读取excel数据
#Python导入数据主要用的是read_x()方法,x表示导入文件的格式 #导入.xlsx文件,用read_excel() print("-"*10+"用Python如 ...

pandas读取行列数据-详细介绍(连续不连续)

pandas读取行列数据-详细介绍

1、按行读取（单行，多行连续，多行不连续）

2、按列读取（单列，多列连续，多列不连续）

3、部分不连续行不连续列

4、按位置（坐标），按字符（索引）

5、函数有 df.iloc(), df.loc(), df.iat(), df.at(), df.ix()

5.1 df.iloc()

5.2 df.loc()

5.3 df.iat(), df.at(), df.ix()(用的少）

pandas读取行列数据-详细介绍(连续不连续)相关推荐

最新文章

热门文章