python之loc与iloc的用法及说明
作者：我不是少爷.
这篇文章主要介绍了python之loc与iloc的用法及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
loc 是 Pandas 中用于 基于标签（label-based）的索引选择方法，专门用于按行/列标签精准定位和操作 DataFrame 或 Series 中的数据。
以下是详细解析：
一、核心功能
1. 基本语法
df.loc[行标签选择, 列标签选择]
- 行标签选择：可以是单个标签、标签列表、切片（如
"a":"d"）或布尔条件 - 列标签选择：同上，支持标签筛选
2. 特性
- 标签优先：索引基于行/列的名称（字符串或数字标签），而非位置
- 闭区间：切片包含起始和结束标签（与 Python 常规切片不同）
- 支持高级操作：布尔索引、条件过滤、函数调用等
二、典型使用场景
1. 精确提取单值
# 获取行标签为2，列标签为'Age'的值 df.loc[2, 'Age']
2. 选择行范围 + 多列
# 选取行标签从'user1'到'user3'，列标签'Name'和'Score' df.loc['user1':'user3', ['Name', 'Score']]
3. 条件筛选
# 选择所有年龄大于30的行，并显示'City'列 df.loc[df['Age'] > 30, 'City']
4. 修改数据
# 将行标签为5的'Status'列值改为'active' df.loc[5, 'Status'] = 'active'
三、与 iloc 的对比
| 特性 | loc | iloc |
|---|---|---|
| 索引类型 | 标签（字符串或数字） | 纯整数位置（0-based） |
| 切片区间 | 闭区间（包含两端） | 左闭右开（Python 标准切片） |
| 允许输入类型 | 标签、布尔数组、条件表达式 | 整数、整数列表、整数切片 |
| 示例 | df.loc['a':'c', 'Name'] | df.iloc[0:3, 1] |
四、避坑指南
1. 避免链式赋值
# ❌ 可能引发 SettingWithCopyWarning df['Age'][df['Name'] == 'Alice'] = 25 # ✅ 规范写法 df.loc[df['Name'] == 'Alice', 'Age'] = 25
2. 处理混合索引
当 DataFrame 的索引是整数时，loc 和 iloc 可能产生歧义：
df = pd.DataFrame({'A': [1,2,3]}, index=[10, 20, 30])
# 按标签选择（查找标签为1的行）
df.loc[10] # ✅ 返回第10标签行
# 按位置选择（查找第0行）
df.iloc[0] # ✅ 返回第10标签行（位置0）
五、高级用法示例
1. 使用函数筛选
# 选择索引以'2023'开头的行
df.loc[lambda x: x.index.str.startswith('2023')]
2. 多条件复合筛选
# 选择年龄在20-30岁且城市为北京的行 df.loc[(df['Age'] >= 20) & (df['City'] == '北京')]
3. 跨列计算赋值
# 当Score列大于90时，Status设为'A+' df.loc[df['Score'] > 90, 'Status'] = 'A+'
六、总结
- 核心作用：基于标签精准操作数据（查、改、删）
- 优势：代码可读性高，支持复杂条件筛选
- 适用场景：数据清洗、条件筛选、动态计算等
# 典型工作流示例 cleaned_data = df.loc[df['Quality'] > 0.8, ['ID', 'Value']] # 筛选高质量数据 cleaned_data.loc[:, 'Value'] *= 100 # 批量修改选中列的值
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。