Pandas 行以 Python 开头

Pandas 是一种非常流行的 Python 数据分析工具，它的核心数据结构是 DataFrame 和 Series，这两种数据结构可以帮助我们快速处理和分析数据。在 Pandas 中，我们可以用多种方式查询和操作 DataFrame，其中之一就是通过行索引来选取数据。

选取 DataFrame 的一行

要选取 DataFrame 的一行，需要使用 .loc 或 .iloc 方法。这两个方法的区别在于，.loc 方法是基于标签（即行和列的名称），而 .iloc 方法是基于位置（即行和列的索引）。

下面是一个简单的示例：

import pandas as pd

# 创建一个 DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
        'age': [25, 28, 32, 45, 21],
        'country': ['USA', 'Canada', 'USA', 'Canada', 'USA']}
df = pd.DataFrame(data)

# 使用 .loc 方法选取第一行（行索引为 0）
row_0 = df.loc[0]
print(row_0)

# 使用 .iloc 方法选取第一行
row_0 = df.iloc[0]
print(row_0)

输出结果：

name       Alice
age           25
country      USA
Name: 0, dtype: object
name       Alice
age           25
country      USA
Name: 0, dtype: object

选取 DataFrame 的多行

如果要选取 DataFrame 的多行，可以使用 .loc 或 .iloc 方法，并将行索引放在一个列表中。下面是一个示例：

import pandas as pd

# 创建一个 DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
        'age': [25, 28, 32, 45, 21],
        'country': ['USA', 'Canada', 'USA', 'Canada', 'USA']}
df = pd.DataFrame(data)

# 使用 .loc 方法选取第一行和第三行
rows_0_2 = df.loc[[0, 2]]
print(rows_0_2)

# 使用 .iloc 方法选取第一行和第三行
rows_0_2 = df.iloc[[0, 2]]
print(rows_0_2)

输出结果：

       name  age country
0     Alice   25     USA
2  Charlie   32     USA
       name  age country
0     Alice   25     USA
2  Charlie   32     USA

选取 DataFrame 的行区间

除了选取单个行以外，我们还可以选取 DataFrame 的行区间。要选取行区间，可以使用 .loc 或 .iloc 方法，并将起始行索引和终止行索引放在一个切片对象中。下面是一个示例：

import pandas as pd

# 创建一个 DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'],
        'age': [25, 28, 32, 45, 21],
        'country': ['USA', 'Canada', 'USA', 'Canada', 'USA']}
df = pd.DataFrame(data)

# 使用 .loc 方法选取第二行到第四行（包括第四行）
rows_1_3 = df.loc[1:3]
print(rows_1_3)

# 使用 .iloc 方法选取第二行到第四行（不包括第四行）
rows_1_3 = df.iloc[1:3]
print(rows_1_3)

输出结果：

       name  age country
1       Bob   28  Canada
2  Charlie   32     USA
       name  age country
1       Bob   28  Canada
2  Charlie   32     USA

结论

Pandas 提供了多种选取 DataFrame 行的方式，可以根据不同的需求来选择最合适的方式。在实际应用中，需要根据数据的具体情况来选择不同的选择方式，以便更加高效地完成数据分析任务。