Po prostu próbuję uzyskać dostęp do nazwanych kolumn pandy przez liczbę całkowitą.Wybieranie kolumny pandy według lokalizacji
Możesz wybrać wiersz według lokalizacji, używając df.ix[3].
Ale jak wybrać kolumnę przez liczbę całkowitą?
Moja dataframe:
df=pandas.DataFrame({'a':np.random.rand(5), 'b':np.random.rand(5)})
dwa podejścia, które przychodzą na myśl:
>>> 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.ix[:, 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
FYI df.ix jest teraz zastępowany przez df.iloc –
Można również użyć df.icol(n) dostęp do kolumny przez liczbę całkowitą.
Aktualizacja: icol jest przestarzała i samą funkcjonalność można osiągnąć poprzez:
df.iloc[:, n] # to access the column at the nth position
. Zauważ, że w nadchodzącej wersji 0.11.0 metody te są nieaktualne i mogą zostać usunięte w przyszłych wersjach. Zobacz http://pandas.pydata.org/pandas-docs/dev/indexing.html#indexing-integer na temat wyboru pozycji za pomocą iloc/iat. –
Powyższy link jest przestarzały, ponieważ dokumenty indeksujące zostały od tego czasu zrestrukturyzowane: http://pandas.pydata.org/pandas-docs/stable/indexing.html#selection-by-position. Na dzień dzisiejszy, w której najnowsza wersja to 0.21.0, "iloc" pozostaje udokumentowanym podejściem do dostępu do kolumny według pozycji. –
metody .transpose() konwertuje kolumn do rzędami do kolumny, a więc można nawet napisać
df.transpose().ix[3]
Transpozycja może zepsuć typy danych. – IanS
Można użyć etykiety opartej na .loc lub indeksie opartym na metodzie .iloc do podziału 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
Dostęp do wielu kolumn można uzyskać, przekazując listę indeksów kolumn do pliku 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
Updated zadać pytanie. –