掌握Pandas索引技巧：loc、iloc与[]操作详解

本文将深入解析Pandas库中的索引操作，包括单级索引和多级索引，主要讲解loc方法、iloc方法以及[]操作符。首先，我们从一个名为"table.csv"的学生信息表开始，该表的索引为"ID"。 1. **单级索引** - **loc方法**：这是基于标签的索引方法，适用于根据行或列标签进行选择。loc的特点是切片包含右端点，如`df.loc[1103]`获取第1103行数据，`df.loc[[1102,2304]]`获取指定行号的多行数据。另外，可以用于单列或多列选择，如`df.loc[:,'Height'].head()`选取所有行的'Height'列。通过lambda函数和布尔条件也可以实现复杂的选择，如`df.loc[lambdax: x['Gender'] == 'M'].head()`。 - **iloc方法**：基于位置的索引，切片的右端点不包含，例如`df.iloc[3]`获取第四行数据，`df.iloc[3:5]`获取第三到第五行。对于列索引，`df.iloc[:, 3]`表示选择所有行的第四个列。同样支持多列选择，如`df.iloc[:, 3:5]`。 2. **联合索引** 和 **函数式索引**：loc方法允许进行联合索引，如`df.loc[1102:2401:3, 'Height':'Math'].head()`按步长选择特定区间的数据。函数式索引则通过自定义函数对数据进行过滤，如`df.loc[f]`，其中`f`是返回满足条件行的函数。 3. **布尔索引**：利用布尔列表或布尔向量进行索引，例如`df.loc[df['Address'].isin(['street_7','street_4'])].head()`选取地址包含'street_7'或'street_4'的行，或者使用列表推导式`df.loc[[True if i[-1] in ['4', '7'] else False for i in df['Address'].values]].head()`。 总结来说，掌握loc和iloc方法的关键在于理解它们的区别（label vs. position），并学会如何灵活运用布尔索引和函数式索引来筛选和操作DataFrame。无论是处理单行、多行、单列还是多列，这些基础操作都是数据清洗和分析工作中不可或缺的技能。通过实例演示和详细解释，本文旨在帮助读者快速提升Pandas索引操作的熟练度。