每个人都忽略的规则：如何停止混淆 Pandas 中的 loc 和 iloc

对于 pandas，您可能偶然发现了这个经典的困惑：您应该使用 loc 还是 iloc 来提取数据？乍一看，它们看起来几乎一模一样。两者都用于从 DataFrame 中切片、过滤和检索行或列，但它们工作方式的微小差异可能会完全改变您的结果（或者抛出一个让您摸不着头脑的错误）。

我记得第一次尝试使用 df.loc[0] 选择行时，我想知道为什么它不起作用。原因是什么？ Pandas 并不总是根据位置“思考”——有时它会使用标签。这就是 loc 与 iloc 的区别所在。

在本文中，我将使用小型学生表现数据集演练一个简单的迷你项目。最后，您不仅会了解 loc 和 iloc 之间的区别，还会确切知道何时在自己的数据分析中使用它们。

数据集简介

数据集来自ChatGPT。它包含一些基本的学生考试成绩记录。这是我们的数据集的快照

将 pandas 导入为 pd

df = pd.read_csv('student_scores.csv')

df

输出：

我将尝试使用 loc 和 iloc 执行一些数据提取任务，例如

从 DataFrame 中提取单行

提取单个值

提取多行

对一系列行进行切片

提取特定列并

布尔过滤

首先简单解释一下Pandas中的loc和iloc是什么。

什么是 loc 和 iloc

Loc 和 iloc 是 Pandas 中的数据提取技术。它们对于从记录中选择数据非常有帮助。

Loc 使用标签从 DataFrame 中检索记录，因此我发现它更易于使用。然而，iloc 有助于更精确地检索记录，因为 iloc 根据行和列的整数位置选择数据，类似于对 Python 列表或数组进行索引的方式。

许多数据集都有重复的行标签。在这种情况下，iloc 始终有效，因为位置是唯一的。最重要的是，当您的数据集具有清晰、有意义的标签并且您希望代码可读时，请使用 loc。这是输出：