Wybieranie kolumny pandy według lokalizacji

Question 1

Po prostu próbuję uzyskać dostęp do nazwanych kolumn pandy za pomocą liczby całkowitej.

Możesz wybrać wiersz według lokalizacji za pomocą df.ix[3].

Ale jak wybrać kolumnę według liczby całkowitej?

Moja ramka danych:

df=pandas.DataFrame({'a':np.random.rand(5), 'b':np.random.rand(5)})

Question 2

Przychodzą mi do głowy dwa podejścia:

>>> df
          A         B         C         D
0  0.424634  1.716633  0.282734  2.086944
1 -1.325816  2.056277  2.583704 -0.776403
2  1.457809 -0.407279 -1.560583 -1.316246
3 -0.757134 -1.321025  1.325853 -2.513373
4  1.366180 -1.265185 -2.184617  0.881514
>>> df.iloc[:, 2]
0    0.282734
1    2.583704
2   -1.560583
3    1.325853
4   -2.184617
Name: C
>>> df[df.columns[2]]
0    0.282734
1    2.583704
2   -1.560583
3    1.325853
4   -2.184617
Name: C

Edycja : pierwotna odpowiedź sugerowała użycie, df.ix[:,2]ale ta funkcja jest teraz przestarzała. Użytkownicy powinni przejść na df.iloc[:,2].

Question 3

Możesz również użyć, df.icol(n)aby uzyskać dostęp do kolumny przez liczbę całkowitą.

Aktualizacja: icoljest przestarzała i tę samą funkcjonalność można uzyskać, stosując:

df.iloc[:, n]  # to access the column at the nth position

Question 4

Możesz użyć etykiety opartej na etykietach, używając .loc lub indeksu, używając metody .iloc, aby wykonać podział kolumn, w tym zakresy kolumn:

In [50]: import pandas as pd

In [51]: import numpy as np

In [52]: df = pd.DataFrame(np.random.rand(4,4), columns = list('abcd'))

In [53]: df
Out[53]: 
          a         b         c         d
0  0.806811  0.187630  0.978159  0.317261
1  0.738792  0.862661  0.580592  0.010177
2  0.224633  0.342579  0.214512  0.375147
3  0.875262  0.151867  0.071244  0.893735

In [54]: df.loc[:, ["a", "b", "d"]] ### Selective columns based slicing
Out[54]: 
          a         b         d
0  0.806811  0.187630  0.317261
1  0.738792  0.862661  0.010177
2  0.224633  0.342579  0.375147
3  0.875262  0.151867  0.893735

In [55]: df.loc[:, "a":"c"] ### Selective label based column ranges slicing
Out[55]: 
          a         b         c
0  0.806811  0.187630  0.978159
1  0.738792  0.862661  0.580592
2  0.224633  0.342579  0.214512
3  0.875262  0.151867  0.071244

In [56]: df.iloc[:, 0:3] ### Selective index based column ranges slicing
Out[56]: 
          a         b         c
0  0.806811  0.187630  0.978159
1  0.738792  0.862661  0.580592
2  0.224633  0.342579  0.214512
3  0.875262  0.151867  0.071244

Question 5

Dostęp do wielu kolumn można uzyskać, przekazując listę indeksów kolumn do dataFrame.ix.

Na przykład:

>>> df = pandas.DataFrame({
             'a': np.random.rand(5),
             'b': np.random.rand(5),
             'c': np.random.rand(5),
             'd': np.random.rand(5)
         })

>>> df
          a         b         c         d
0  0.705718  0.414073  0.007040  0.889579
1  0.198005  0.520747  0.827818  0.366271
2  0.974552  0.667484  0.056246  0.524306
3  0.512126  0.775926  0.837896  0.955200
4  0.793203  0.686405  0.401596  0.544421

>>> df.ix[:,[1,3]]
          b         d
0  0.414073  0.889579
1  0.520747  0.366271
2  0.667484  0.524306
3  0.775926  0.955200
4  0.686405  0.544421

Question 6

Metoda .transpose () konwertuje kolumny na wiersze i wiersze na kolumny, dzięki czemu można nawet pisać

df.transpose().ix[3]