Question

即：

import pandas

d = {'col1': 2, 'col2': 2.5}
df = pandas.DataFrame(data=d, index=[0])

print(df['col2'])
print(df.col2)

输出相同。

这个答案适用于这种情况吗？

What's the difference between the square bracket and dot notations in Python?

Answer 1

＆＃34;点符号＆＃34;，即df.col2是为了方便而公开的attribute access。

您可以直接将Panel上的索引，DataFrame上的列和Panel上的项目作为属性访问：

df['col2']执行相同的操作：它返回列的pd.Series。

关于属性访问的一些注意事项：

你无法添加一列（df.new_col = x不会工作，更糟糕的是：它会默默地实际上创建一个新属性而不是列 - 想想猴子修补这里）< / LI>
如果列名中有空格或列名是整数，它将无法工作。

Answer 2

只要您使用简单名称访问单个列，它们就相同，但您可以使用括号表示法执行更多操作。如果列名是有效的Python标识符（例如，不包含空格和其他此类内容），则只能使用df.col。此外，如果您的列名与pandas方法名称（如sum）冲突，您可能会遇到意外。使用括号，您可以选择多个列（例如df[['col1', 'col2']]）或添加新列（df['newcol'] = ...），这不能通过点访问来完成。

您链接的其他问题适用，但这是一个更普遍的问题。 Python对象可以定义.和[]运算符如何应用于它们。 Pandas DataFrames已选择在访问单列的有限情况下使它们相同，但需要注意上述注意事项。

Answer 3

简短回答差异

[]索引（方括号访问）具有对DataFrame列数据进行操作的全部功能。
属性访问（点访问）主要是为了方便地访问现有的DataFrame列数据，但偶尔也有其局限性（例如特殊的列名，创建新列）。

更多说明，Seires和DataFrame是熊猫的核心类和数据结构，当然它们也是Python类，因此在涉及熊猫DataFrame和普通Python对象之间的属性访问时，有一些细微的区别。但这是well documented，很容易理解。请注意以下几点：

在Python中，用户可以使用属性访问将自己的数据属性动态添加到实例对象。

>>> class Dog(object):
...     pass
>>> dog = Dog()
>>> vars(dog)
{}
>>> superdog = Dog()
>>> vars(superdog)
{}
>>> dog.legs = 'I can run.'
>>> superdog.wings = 'I can fly.'
>>> vars(dog)
{'legs': 'I can run.'}
>>> vars(superdog)
{'wings': 'I can fly.'}

在熊猫中，索引和列与数据结构密切相关，您可以访问系列索引， 作为属性在DataFrame上的列。

>>> import pandas as pd
>>> import numpy as np
>>> data = np.random.randint(low=0, high=10, size=(2,2))
>>> df = pd.DataFrame(data, columns=['a', 'b'])
>>> df
   a  b
0  7  6
1  5  8
>>> vars(df)
{'_is_copy': None, 
 '_data': BlockManager
    Items: Index(['a', 'b'], dtype='object')
    Axis 1: RangeIndex(start=0, stop=2, step=1)
    IntBlock: slice(0, 2, 1), 2 x 2, dtype: int64,
 '_item_cache': {}}

但是，熊猫属性访问主要是方便阅读和修改DataFrame系列或列的现有元素。
```
>>> df.a
0    7
1    5
Name: a, dtype: int64
>>> df.b = [1, 1]
>>> df
   a  b
0  7  1
1  5  1
```
而且，便利性是对全部功能的折衷。例如。您可以使用列名['space bar', '1', 'loc', 'min', 'index']创建一个DataFrame对象，但是不能将它们作为属性访问，因为它们不是有效的Python标识符1，space bar或与现有的方法名称。
```
>>> data = np.random.randint(0, 10, size=(2, 5))
>>> df_special_col_names = pd.DataFrame(data, columns=['space bar', '1', 'loc', 'min', 'index'])
>>> df_special_col_names
   space bar  1  loc  min  index
0          4  4    4    8      9
1          3  0    1    2      3
```

在这些情况下，.loc，.iloc和[]的索引是the defined way，以完全访问/操作Series和DataFrame对象的索引和列。 / p>

>>> df_special_col_names['space bar']
0    4
1    3
Name: space bar, dtype: int64
>>> df_special_col_names.loc[:, 'min']
0    8
1    2
Name: min, dtype: int64
>>> df_special_col_names.iloc[:, 1]
0    4
1    0
Name: 1, dtype: int64

另一个重要的区别是在尝试为DataFrame创建新列时。如您所见，df.c = df.a + df.b只是在核心数据结构旁边创建了一个新属性，因此从版本0.21.0开始，此行为将引发UserWarning（不再静音）。

>>> df
   a  b
0  7  1
1  5  1
>>> df.c = df.a + df.b
__main__:1: UserWarning: Pandas doesn't allow columns to be created via a new attribute name - see https://pandas.pydata.org/pandas-docs/stable/indexing.html#attribute-access
>>> df['d'] = df.a + df.b
>>> df
   a  b  d
0  7  1  8
1  5  1  6
>>> df.c
0    8
1    6
dtype: int64
>>> vars(df)
{'_is_copy': None, 
 '_data': 
    BlockManager
    Items: Index(['a', 'b', 'd'], dtype='object')
    Axis 1: RangeIndex(start=0, stop=2, step=1)
    IntBlock: slice(0, 2, 1), 2 x 2, dtype: int64
    IntBlock: slice(2, 3, 1), 1 x 2, dtype: int64, 
 '_item_cache': {},
 'c': 0    8
      1    6
      dtype: int64}

最后，要为DataFrame创建新列，从不使用属性访问，正确的方法是使用[]或.loc索引：

>>> df
   a  b
0  7  6
1  5  8
>>> df['c'] = df.a + df.b 
>>> # OR
>>> df.loc[:, 'c'] = df.a + df.b
>>> df # c is an new added column
   a  b   c
0  7  6  13
1  5  8  13

Answer 4

. 符号在交互工作和探索时非常有用。然而，为了代码清晰和避免疯狂的事情发生，你绝对应该使用 [] 表示法。创建新列时应使用 [] 的示例。

df = pd.DataFrame(data={'A':[1, 2, 3],
                    'B':[4,5,6]})

# this has no effect
df.D = 11
df

    A  B
 0  1  4
 1  2  5
 2  3  6
# but this works
df['D'] = 11
df

Out[19]: 
   A  B   D
0  1  4  11
1  2  5  11  
2  3  6  11

对于Pandas DataFrame，使用方括号或点来访问列有什么区别？

4 个答案: