iloc函数在熊猫和Python中有什么优势

Question

我刚刚开始学习Python和Pandas，并且在许多教程中看到了iloc函数的使用。始终指出，您可以使用此功能来引用数据框中的列和行。但是，您也可以不使用iloc功能直接执行此操作。所以这是一个产生相同输出的示例：

# features is just a dataframe with several rows and columns
features = pd.DataFrame(features_standardized)

y_train = features.iloc[start:end] [[1]]
y_train_noIloc = features [start:end] [[1]]

两个语句之间有什么区别？使用iloc时我有什么优势？我会很感激每条评论。

Answer 1

根据pandas docs，iloc提供：

基于整数的索引，可以按位置进行选择。

因此，如下面的简单示例所示，如果不使用[row, col]或loc，就无法进行iloc索引，因为会抛出KeyError。

示例：

# Build a simple, sample DataFrame.
df = pd.DataFrame({'a': [1, 2, 3, 4]})

# No iloc
>>> df[0, 0]
KeyError: (0, 0)

# With iloc:
>>> df.iloc[0, 0]
1

使用loc和列名时，同样的逻辑成立。

有什么区别？什么时候不使用iloc进行索引工作？

简短答案：
在索引行和列时使用loc和/或iloc。如果在行或列上建立索引，您可以不用它，而将其称为“切片” 。

但是，我看到您的示例中使用了[start:end][[1]]。通常在大熊猫中使用背对背方括号（例如：[][]）被认为是不好的做法，并且通常表明应采用其他（更有效的）方法-在这种情况下，使用{ {1}}。

更长的答案：
改编您的iloc切片示例（如下所示），在仅对行进行索引（切片）时，无需使用[start:end]进行索引。以下示例不使用iloc，并且将返回行 0到3。

iloc

输出：

df[0:3]

请注意 a 0 1 1 2 2 3 和[0:3]的区别。前者（切片）使用冒号，并将返回行或索引0到3。而后者使用逗号，并且是{ {1}}索引器，需要使用[0, 3]。

在旁边：
可以将这两种方法组合在一起，如此处所示，它们将返回0到3行（列索引为0）。而如果不使用[row, col]，则 是不可能的。

iloc