在上一篇博客 <https://blog.csdn.net/anshuai_aw1/article/details/82802769>
中,我们已经仔细讲解了iloc和loc,只是简单了提到了ix。这是因为相比于前2者,ix更复杂,也更让人迷惑。

因此,本篇博客通过例子的解释试图来描述清楚ix,尤其是与iloc和loc的联系。

目录

1 使用ix切分Series
<https://blog.csdn.net/anshuai_aw1/article/details/82801435#1%20%E4%BD%BF%E7%94%A8ix%E5%88%87%E5%88%86Series>

1.1 特点1举例
<https://blog.csdn.net/anshuai_aw1/article/details/82801435#1.1%20%E7%89%B9%E7%82%B91%E4%B8%BE%E4%BE%8B>

1.2 特点2举例
<https://blog.csdn.net/anshuai_aw1/article/details/82801435#1.2%20%E7%89%B9%E7%82%B92%E4%B8%BE%E4%BE%8B>

2 在Dataframe中使用ix实现复杂切片
<https://blog.csdn.net/anshuai_aw1/article/details/82801435#2%20%E5%9C%A8Dataframe%E4%B8%AD%E4%BD%BF%E7%94%A8ix%E5%AE%9E%E7%8E%B0%E5%A4%8D%E6%9D%82%E5%88%87%E7%89%87>

3 参考文献
<https://blog.csdn.net/anshuai_aw1/article/details/82801435#3%20%E5%8F%82%E8%80%83%E6%96%87%E7%8C%AE>

首先,再次介绍这三种方法的概述:

* loc gets rows (or columns) with particular labels from the index. loc从索引
中获取具有特定标签的行(或列)。
* iloc gets rows (or columns) at particular positions in the index (so it
only takes integers). iloc在索引中的特定位置获取行(或列)(因此它只接受整数)。
* ix usually tries to behave like loc but falls back to behaving like iloc if
a label is not present in the
index. ix通常会尝试像loc一样行为,但如果索引中不存在标签,则会退回到像iloc一样的行为。(这句话有些绕口,没关系,关于ix特点,后面会详细讲解)
1 使用ix切分Series


请注意:在pandas版本0.20.0及其以后版本中,ix已经不被推荐使用,建议采用iloc和loc实现ix。这是为什么呢?这是由于ix的复杂特点可能使ix使用起来有些棘手:

* 如果索引是整数类型,则ix将仅使用基于标签的索引,而不会回退到基于位置的索引。如果标签不在索引中,则会引发错误。
*
如果索引不仅包含整数,则给定一个整数,ix将立即使用基于位置的索引而不是基于标签的索引。但是,如果ix被赋予另一种类型(例如字符串),则它可以使用基于标签的索引。
接下来举例说明这2个特点。

1.1 特点1举例
>>> s = pd.Series(np.nan, index=[49,48,47,46,45, 1, 2, 3, 4, 5]) >>> s 49 NaN
48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN 4 NaN 5 NaN
现在我们来看使用整数3切片有什么结果:

在这个例子中,s.iloc[:3]读取前3行(因为iloc把3看成是位置position),而s.loc[:3]
读取的是前8行(因为loc把3看作是索引的标签label)
>>> s.iloc[:3] # slice the first three rows 49 NaN 48 NaN 47 NaN >>> s.loc[:3]
# slice up to and including label 3 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2
NaN 3 NaN >>> s.ix[:3] # the integer is in the index so s.ix[:3] works like loc
49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN
注意:s.ix[:3]返回的结果与s.loc[:3]一样,这是因为如果series的索引是整型的话,ix会首先去寻找索引中的标签3而不是去找位置3。

如果,我们试图去找一个不在索引中的标签,比如说是6呢?
>>> s.iloc[:6] 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN >>> s.loc[:6]
KeyError: 6 >>> s.ix[:6] KeyError: 6
在上面的例子中,s.iloc[:6]正如我们所期望的,返回了前6行。而,s.loc[:6]返回了KeyError错误,这是因为标签6并不在索引中。

那么,s.ix[:6]报错的原因是什么呢?正如我们在ix的特点1所说的那样,
如果索引只有整数类型,那么ix仅使用基于标签的索引,而不会回退到基于位置的索引。如果标签不在索引中,则会引发错误。

1.2 特点2举例


接着例子1来说,如果我们的索引是一个混合的类型,即不仅仅包括整型,也包括其他类型,如字符类型。那么,给ix一个整型数字,ix会立即使用iloc操作,而不是报KeyError错误。
>>> s2 = pd.Series(np.nan, index=['a','b','c','d','e', 1, 2, 3, 4, 5]) >>>
s2.index.is_mixed() # index is mix of different types True >>> s2.ix[:6] # now
behaves like iloc given integer a NaN b NaN c NaN d NaN e NaN 1 NaN
注意:在这种情况下,ix也可以接受非整型,这样就是loc的操作:
>>> s2.ix[:'c'] # behaves like loc given non-integer a NaN b NaN c NaN
这个例子就说明了ix特点2。

正如前面所介绍的,ix的使用有些复杂。如果仅使用位置或者标签进行切片,使用iloc或者loc就行了,请避免使用ix。

2 在Dataframe中使用ix实现复杂切片

有时候,在使用Dataframe进行切片时,我们想混合使用标签和位置来对行和列进行切片。那么,应该怎么操作呢?

举例,考虑有下述例子中的Dataframe。我们想得到直到包含标签'c'的行和前4列。
>>> df = pd.DataFrame(np.nan, index=list('abcde'), columns=['x','y','z', 8,
9]) >>> df x y z 8 9 a NaN NaN NaN NaN NaN b NaN NaN NaN NaN NaN c NaN NaN NaN
NaN NaN d NaN NaN NaN NaN NaN e NaN NaN NaN NaN NaN
在pandas的早期版本(0.20.0)之前,ix可以很好地实现这个功能。

我们可以使用标签来切分行,使用位置来切分列(请注意:因为4并不是列的名字,因为ix在列上是使用的iloc)。
>>> df.ix[:'c', :4] x y z 8 a NaN NaN NaN NaN b NaN NaN NaN NaN c NaN NaN NaN
NaN
在pandas的后来版本中,我们可以使用iloc和其它的一个方法就可以实现上述功能:
>>> df.iloc[:df.index.get_loc('c') + 1, :4] x y z 8 a NaN NaN NaN NaN b NaN
NaN NaN NaN c NaN NaN NaN NaN
get_loc()
<http://pandas.pydata.org/pandas-docs/version/0.19.1/generated/pandas.Index.get_loc.html>
 是得到标签在索引中的位置的方法。请注意,因为使用iloc切片时不包括最后1个点,因为我们必须加1。

可以看到,只使用iloc更好用,因为不必理会ix的那2个“繁琐”的特点。

3 参考文献


https://stackoverflow.com/questions/31593201/pandas-iloc-vs-ix-vs-loc-explanation-how-are-they-different

<https://stackoverflow.com/questions/31593201/pandas-iloc-vs-ix-vs-loc-explanation-how-are-they-different>

友情链接
ioDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:637538335
关注微信