在 Python 的 Pandas 库中，`loc` 和 `iloc` 是用于从 DataFrame 或 Series 中选择数据的两种主要方法。它们虽然功能相似，但在索引方式和使用场景上存在显著差异。 ### `loc` 方法 `loc` 是基于**标签（label-based）**索引的，这意味着它通过行标签和列标签来访问数据。如果 DataFrame 的索引不是默认的整数索引，而是自定义的字符串或其他类型的索引，那么必须使用 `loc` 来进行访问。例如： ```python import pandas as pd data = pd.DataFrame({'a': [0, 10, 20, 30, 40], 'b': [1, 11, 21, 31, 41], 'c': [2, 12, 22, 32, 42]}) print(data.loc[1:3, 'a':'b']) # 输出行索引为1到3，列标签为'a'到'b'的数据 ``` 在这个例子中，`loc` 使用了行标签和列标签来进行切片操作。需要注意的是，`loc` 在切片时是**包含结束索引**的，即 `[start:end]` 包含 `end`。 ### `iloc` 方法 `iloc` 是基于**位置（position-based）**索引的，这意味着它通过行号和列号来访问数据，类似于传统的数组索引。即使 DataFrame 的索引不是连续的整数，`iloc` 仍然会按照其在内存中的顺序进行索引。例如： ```python print(data.iloc[1:3, 0:2]) # 输出第1到3行，第0到2列的数据 ``` 在这个例子中，`iloc` 使用了行号和列号来进行切片操作。与 `loc` 不同，`iloc` 在切片时是**不包含结束索引**的，即 `[start:end]` 不包含 `end`。 ### 索引类型的影响 - **`loc`** 只能通过行标签和列标签来访问数据。如果没有相应的标签，将无法提取数据[^4]。 - **`iloc`** 则通过整数位置来访问数据，无论这些位置对应的索引标签是什么。它的索引是从 0 开始的，并且按顺序递增[^2]。 ### 示例对比 假设有一个 DataFrame 如下： ```python import numpy as np import pandas as pd data = pd.DataFrame(np.arange(16).reshape(4, 4), index=list("ABCD"), columns=list("wxyz")) print(data) ``` 输出结果为： ``` w x y z A 0 1 2 3 B 4 5 6 7 C 8 9 10 11 D 12 13 14 15 ``` - 使用 `loc` 访问： ```python print(data.loc['A', 'w']) # 输出 0 ``` - 使用 `iloc` 访问： ```python print(data.iloc[0, 0]) # 输出 0 ``` 这两个方法虽然都可以访问相同的数据，但它们依据的索引方式不同，因此在实际应用中需要根据具体情况选择合适的方法。 ### 总结 - `loc` 更适合于那些具有明确标签索引的数据集，尤其是在处理时间序列或带有有意义索引的数据时非常有用。 - `iloc` 更适合于那些只需要通过位置来访问数据的情况，特别是在需要快速定位特定行或列时非常高效。