|
Pandas 索引器 loc 和 iloc 比较及代码示例
以下是针对 Pandas 中 loc 和 iloc 的深度对比分析及代码示例，结合核心差异、使用场景和底层机制展开说明：
一、核心差异解析
| 特性 | loc (标签索引) | iloc (位置索引) |
|---|
| 索引类型 | 行/列标签（字符串、日期等） | 行/列整数位置（从0开始） | | 切片行为 | 包含结束标签（闭区间） | 不包含结束位置（左闭右开） | | 布尔索引 | 直接支持条件表达式（更直观） | 需先生成布尔数组再操作 | | 索引灵活性 | 支持非整数标签（如字符串索引） | 仅支持整数位置 |
二、关键场景代码示例
1. 基础索引对比
import pandas as pd
# 创建带自定义索引的DataFrame
data = {"Age": [25, 32, 28, 40], "City": ["北京", "上海", "广州", "深圳"]}
df = pd.DataFrame(data, index=["Alice", "Bob", "Charlie", "David"])
# loc按标签选择 → 获取Bob行所有列
print(df.loc["Bob"]) # 输出: Age 32, City 上海
# iloc按位置选择 → 获取第1行所有列（索引0为Alice）
print(df.iloc[1]) # 输出: 同上（Bob行）
Age 32
City 上海
Name: Bob, dtype: object
Age 32
City 上海
Name: Bob, dtype: object
2. 切片行为差异
# loc切片包含结束标签 → 选择Alice到Charlie行
print(df.loc["Alice":"Charlie"]) # 输出3行数据
# iloc切片不包含结束位置 → 选择0至1行（不含索引2）
print(df.iloc[0:2]) # 仅输出Alice和Bob行
Age City
Alice 25 北京
Bob 32 上海
Charlie 28 广州
Age City
Alice 25 北京
Bob 32 上海
3. 布尔索引使用
# loc直接条件筛选 → 年龄>30的行
print(df.loc[df["Age"] > 30]) # 输出Bob和David行
# iloc需分两步 → 先生成掩码再选择
mask = df["Age"] > 30
print(df.iloc[mask.values]) # 需用.values转为数组
Age City
Bob 32 上海
David 40 深圳
Age City
Bob 32 上海
David 40 深圳
4. 混合行列选择
# loc选择多列 → 所有行 + "City"列
print(df.loc[:, "City"]) # 输出城市列所有数据
# iloc选择连续列 → 所有行 + 第1列（列索引从0开始）
print(df.iloc[:, 1]) # 同上（City列位置为1）
Alice 北京
Bob 上海
Charlie 广州
David 深圳
Name: City, dtype: object
Alice 北京
Bob 上海
Charlie 广州
David 深圳
Name: City, dtype: object
三、高级技巧与性能
1. 函数式索引
# loc + lambda → 筛选Age为偶数的行
print(df.loc[lambda x: x["Age"] % 2 == 0]) # 输出Bob(32), David(40)
# iloc + lambda → 筛选索引位置为奇数的行
print(df.iloc[lambda x: [i for i in range(len(x)) if i % 2 == 1]]) # 输出Bob行
Age City
Bob 32 上海
Charlie 28 广州
David 40 深圳
Age City
Bob 32 上海
David 40 深圳
2. 性能优化建议
- 大型数据集：优先用
iloc（整数位置计算更快） - 复杂索引：用
loc 避免位置计算错误（如时间序列索引） - 混合场景：若需标签+位置混合索引，先重置索引再用
iloc
df_reset = df.reset_index()
df_reset.iloc[1:3, 0:2] # 选择第1-2行，第0-1列
四、特殊场景处理
1. 整数索引陷阱
当行索引为整数时，loc 会优先识别为标签而非位置：
df_int_index = pd.DataFrame({"Value": [10, 20]}, index=[1, 2])
# loc尝试按标签访问 → 报错（无标签0）
# df_int_index.loc[0] # KeyError
# iloc按位置访问 → 正常
print(df_int_index.iloc[0]) # 输出索引1的行（Value:10）
Value 10
Name: 1, dtype: int64
2. 负索引支持
仅 iloc 支持负数索引（从末尾计数）：
print(df.iloc[-1]) # 输出最后一行（David）
Age 40
City 深圳
Name: David, dtype: object
五、总结：选择策略
| 场景 | 推荐方法 | 原因 |
|---|
| 已知行/列标签（如列名为"Age"） | loc | 直接标签访问，语义清晰 | | 按行号/列号操作（如前三行） | iloc | 位置计算高效 | | 时间序列数据（日期索引） | loc | 避免位置漂移（如df.loc["2023":"2025"]） | | 大数据集遍历 | iloc | 整数位置操作速度更快 |
最佳实践：优先用 loc 保证可读性，性能敏感时切 iloc。始终通过 print(df.head()) 确认数据结构，避免索引混淆。
|
发表于 2026-1-8 09:57:29
