我想根据掩码idx选择行。我可以想到两种不同的可能性，使用iloc或仅使用括号。我已经在下面展示了两种可能性（在数据框df上）。它们是否同样可行？
idx = (df["timestamp"] >= 5) & (df["timestamp"] <= 10)
idx = idx.values
hr = df["hr"].iloc[idx]
timestamps = df["timestamp"].iloc[idx]
或以下一个：
idx = (df["timestamp"] >= 5) & (df["timestamp"] <= 10)
hr = df["hr"][idx]
timestamps = df["timestamp"][idx]
答案 0 :(得分：4)
关键点是：
pd.DataFrame.iloc主要用于基于位置的整数索引。pd.DataFrame.loc最常用于标签或布尔数组。df[x][y]，是explicitly discouraged，永远不需要。idx.values返回numpy系列的idx数组表示。这不能提供.iloc，也无需提供.loc，这可以直接idx。下面是两个可行的例子。在任一示例中，您都可以使用类似的语法来屏蔽数据框或系列。例如，df['hr'].loc[mask]和df.loc[mask]一样有效。
这里我们使用numpy.where来提取布尔系列中True元素的整数索引。 iloc确实接受布尔数组，但在我看来，这不太清楚; “i”代表整数。
idx = (df['timestamp'] >= 5) & (df['timestamp'] <= 10)
mask = np.where(idx)[0]
df = df.iloc[mask]
当我们已经通过特定系列查询时，使用loc更自然。
mask = (df['timestamp'] >= 5) & (df['timestamp'] <= 10)
df = df.loc[mask]
loc访问者并使用df[mask]。df.loc[mask, 'col_name'] Indexing and Selecting Data是pandas的基础：阅读官方文档是无可替代的。
答案 1 :(得分：2)
不要混合基于__getitem__的索引和（i）基于loc的。使用其中一个。我更喜欢（i）通过索引访问时的loc，以及当您按列访问或使用布尔索引时__getitem__。
以下是一些常见的索引编制方法及其相应的更正。
df.iloc[idx].loc[:, column]
df.iloc[idx][column]
df[column][idx]
df[column].iloc[idx]
当您尝试分配这些解决方案时，大多数这些解决方案都会导致管道问题（主要是以SettingWithCopyWarning的形式），因为这些解决方案会创建视图并与他们正在查看的原始DataFrame绑定。
所有这些版本的正确解决方案是df.iloc[idx, df.columns.get_loc(column)]请注意idx是一个整数索引数组，column是一个字符串标签。同样适用于loc。
如果您有一系列布尔值，请改用loc，如下所示：df.loc[boolean_idx, column]
此外，这些都很好：df[column]和df[boolean_mask]
有索引单行或单列的规则。根据它的完成方式，您将获得Series或DataFrame。因此，如果要将DataFrame df中的第100行索引为DataFrame切片，则需要执行以下操作：
df.iloc[[100], :] # `:` selects every column
而不是
df.iloc[100, :]
类似于基于列的索引。
最后，如果要索引单个标量，请使用at或iat。
OTOH，根据您的要求，我建议第三种选择：
ts = df.loc[df.timestamp.between(5, 10), 'timestamp']
或者，如果你是整个事物的子集，
df = df[df.timestamp.between(5, 10)]