loc和iloc的详解及使用

在Pandas中，loc和iloc是用于DataFrame和Series数据选择的两种核心方法，​​本质区别在于索引方式：loc基于标签（label），而iloc基于整数位置（integer position）​​。以下是详细对比及用法说明：

---

​​核心区别总结​​

​​特性​​	​​loc​​	​​iloc​​
​​索引类型​​	标签（字符串、日期等）	整数位置（从0开始）
​​切片行为​​	闭区间（包含结束标签）	开区间（不包含结束位置）
​​支持索引​​	标签、布尔数组、条件表达式	整数、整数列表/切片、布尔数组（需基于位置）
​​适用场景​​	按行/列名称选择、条件筛选	按物理位置选择（如第n行/列）

---

​​详细功能与示例​​

​​1. loc：基于标签的索引​​

• ​​选择单行/单列​​：

  df.loc['a']          # 选择标签为'a'的行
  df.loc[:, 'Age']     # 选择列名为'Age'的所有行

• ​​多行多列选择​​：

  df.loc[['a', 'c'], ['Name', 'City']]  # 选择'a'和'c'行，'Name'和'City'列

• ​​切片操作​​（包含结束点）：

  df.loc['a':'c', 'Name':'City']  # 从'a'到'c'行，'Name'到'City'列（含'c'和'City'）

• ​​布尔索引​​（条件筛选）：

  df.loc[df['Age'] > 30]                 # 筛选Age>30的行
  df.loc[df['City'].isin(['New York'])]  # 筛选City为纽约的行

​​2. iloc：基于位置的索引​​

• ​​选择单行/单列​​：

  df.iloc[0]      # 第1行（位置0）
  df.iloc[:, 1]   # 第2列（位置1）

• ​​多行多列选择​​：

  df.iloc[[0, 2], [0, 2]]  # 第1行和第3行，第1列和第3列

• ​​切片操作​​（左闭右开）：

  df.iloc[0:2, 1:3]  # 第1-2行（不含第2行），第2-3列（不含第3列）

• ​​布尔索引​​（需结合位置）：

  mask = (df['Age'] > 30).values  # 生成布尔数组并转换为位置索引
  df.iloc[mask]                   # 选择满足条件的行

---

⚠️ ​​关键注意事项​​

1. ​​切片区间差异​​：
   • loc['a':'c'] 包含标签'a'、'b'、'c'。
   • iloc[0:2] 仅包含位置0和1（不包含2）。
2. ​​索引灵活性​​：
   • loc可处理非整数标签（如字符串索引）。
   • iloc仅支持整数位置，与DataFrame的索引标签无关。
3. ​​布尔索引区别​​：
   • loc可直接用列条件（如df['A'] > 0）。
   • iloc需将布尔数组转换为位置索引（如.values）。

---

​​何时选择哪种方法？​​

• ​​用loc当​​：
  ✅ 需按行/列名称（如日期、ID）访问数据；
  ✅ 需包含结束点的切片（如时间范围）；
  ✅ 需直接使用列条件筛选数据。
• ​​用iloc当​​：
  ✅ 需按物理位置选择（如前5行、第2列）；
  ✅ 数据索引无明确业务含义（如纯数字索引）；
  ✅ 需与NumPy类似的整数位置操作兼容。

---

​​场景示例​​

import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35], 'City': ['NY', 'LA', 'Chicago']}
df = pd.DataFrame(data, index=['a', 'b', 'c'])

# loc示例：选择'a'到'b'行，'Name'列（包含'b'）
df.loc['a':'b', 'Name']  # 输出：a→Alice, b→Bob

# iloc示例：选择前2行，第1列（位置0）
df.iloc[0:2, 0]         # 输出：a→Alice, b→Bob（不包含第2行）

​​提示​​：若索引重复，loc会返回所有匹配标签的行，此时可用.reset_index()重置索引。

掌握两者差异，可更高效精准地操作Pandas数据结构！