Pandas的数值访问(.loc, .iloc, .ix访问数据的区别)+query+set_index和reset_index

关注

原创最新推荐文章于 2026-08-07 15:15:08 发布 3.2k 阅读 AI 写同款· GEO 优化 ›

Pandas索引与切片：性能、对齐与避坑的底层逻辑 Pandas索引（Index）并非简单行标签，而是承担定位、对齐与广播功能的一维有序坐标系；切片（Slicing）则分为基于位置的.iloc、基于标签的.loc及布尔索引三类机制。其设计本质源于数据访问的二元需求：结构化处理依赖整数位置，业务语义依赖语义标签。这种分离带来显著技术价值——正确使用DatetimeIndex可将时间范围查询从O(n)优化至O(log n)，合理选用.query()能降低65%内存峰值并提升3倍过滤速度。典型应用场景包括电商日志按天聚合、多级索引销售分析、实时风控单点赋值等。本文阅读详情

今天整理的三个pandas的小知识点，是从工业化生产预测这个比赛中用到的三个，所以集体来整理一下：

1. pandas数值访问(.loc, .iloc,.ix)

首先，建立一个pd.DataFrame做演示：

import pandas as pd
data = pd.DataFrame({'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]},index=["a","b","c"])
data

## 结果：

    A	B	C
a	1	4	7
b	2	5	8
c	3	6	9

.loc[]函数：
通过行索引 “Index” 中的具体值来取行数据。括号里面是先行后列，以逗号分割，行和列分别是行标签和列标签。比如我要得到数字5：
```
data.loc["b","B"]
```
因为行标签为b，列标签为B，同理，那么4就是data[“a”,”B”]
上面只是选择某一个值，那么如果我要选择一个区域呢，比如我要选择5，8，6，9，那么可以这样做：
```
data.loc['b':'c','B':'C']
```
因为选择的区域，左上角的值是5，右下角的值是9，那么这个矩形区域的值就是这两个坐标之间，也就是对应5的行标签到9的行标签，5的列标签到9的列标签，行列标签之间用逗号隔开，行标签与行标签之间，列标签与列标签之间用冒号隔开，记住，.loc是用行列标签来进行选择数据的, 且前闭后闭。

那么，我们会想，那我们只知道要第几行，第几列的数据呢，这该怎么办，刚好，.iloc就是干这个事的。
.iloc[]
.iloc[]与loc一样，中括号里面也是先行后列，行列标签用逗号分割，与loc不同的之处是，.iloc 是根据行数与列数来索引的，比如上面提到的得到数字5，那么用iloc来表示就是data.iloc[1,1],因为5是第2行第2列，注意索引从0开始的，同理4就是data.iloc[0,1]，同样如果我们需要选择一个区域，比如我要选择5，8，6，9，那么用,iloc来选择就是
```
data.iloc[1:3,1:3]
```
因为5在第二行第二列，9在第三行第三列，注意此处区间前闭后开，所以是1：3，与loc不同的是loc前闭后闭，以及loc是根据行列标签，而.iloc是根据行数与列数
.ix[]
.ix我发现，上面两种用法他都可以，它既可以根据行列标签又可以根据行列数，比如拿到5
```
data.ix[1,1]
data.ix["b","B"]
```
上面两种做法都可以的，同理选择一个区域
```
data.ix[1:3,1:3]
data.ix['b':'c','B':'C']

以上两种方法都是取到5，6，8，9
```

再详细点的Pandas中loc和iloc函数用法详解（源码+实例）

2. pandas.set_index和reset_index

DataFrame可以通过set_index方法，可以设置单索引和复合索引。

DataFrame.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False)

keys：列标签或列标签/数组列表，需要设置为索引的列
drop：默认为True，删除用作新索引的列
append：默认为False，是否将列附加到现有索引
inplace：默认为False，适当修改DataFrame(不要创建新对象)
verify_integrity：默认为false，检查新索引的副本。否则，请将检查推迟到必要时进行。将其设置为false将提高该方法的性能。

reset_index可以还原索引，从新变为默认的整型索引

DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=”)

level：int、str、tuple或list，默认无，仅从索引中删除给定级别。默认情况下移除所有级别。控制了具体要还原的那个等级的索引
drop：drop为False则索引列会被还原为普通列，否则会丢失
inplace：默认为false，适当修改DataFrame(不要创建新对象)
col_level：int或str，默认值为0，如果列有多个级别，则确定将标签插入到哪个级别。默认情况下，它将插入到第一级。
col_fill：对象，默认‘’，如果列有多个级别，则确定其他级别的命名方式。如果没有，则重复索引名

下面看操作：

import pandas as pd
df = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3'],
                    'B': ['B0', 'B1', 'B2', 'B3'],
                    'C': ['C0', 'C1', 'C2', 'C3'],
                    'D': ['D0', 'D1', 'D2', 'D3']})
df

df是一个正常的DataFrame结构：
在这里插入图片描述
下面把A列置成索引列：

drop_t = df.set_index('A',drop=True, append=False, inplace=False, verify_integrity=False)
drop_t

# 这样就可以通过索引名和列名来访问元素了
drop_t.loc["A0":"A2"]

在这里插入图片描述
drop=False, 这样不会删除原列

# drop=False， 不会删除原列
no_drop_t = df.set_index('A',drop=False, append=False, inplace=False, verify_integrity=False)
no_drop_t

结果如下：不过这个用的不多。
在这里插入图片描述
索引的还原： reset_index()

reset_drop_t = drop_t.reset_index(drop=False) #索引列会被还原为普通列
reset_drop_t

reset_no_drop_t = no_drop_t.reset_index(drop=True) #索引列会被还原为普通列
reset_no_drop_t

又回到了原来的样子：
在这里插入图片描述

3. pandas.query

这个是字符串表达式查询，基于DataFrame列的计算代数式。对于过滤的操作，可以使用query()方法。注意支持string，不支持布尔类型, 与query类似的一个函数是eval，是使用字符串表达式来计算对DataFrame的操作，支持算术，比较，位，对象索引，列间计算等，这俩都是高性能函数，后者遇到的时候再整理吧。

import pandas as pd
d={
    'name':['xiao','dan','qi'],
    'sex':['male','female','male'],
    'age':[23,24,24]
}
df=pd.DataFrame(d)

结果如下：
在这里插入图片描述

# df query('age'>23)  # 这个会报错
df.query('age>23')

也是类似与选择出pandas里面符合条件的样本。
在这里插入图片描述

好了，今天分享是pandas的三个小知识点，也是比较常用的一些基本操作，来自于一个工业化工生产预测的比赛。

一切从实用的角度出发。希望能帮到您！

收录于

数据分析和挖掘学习笔记

标签

#pandas的数值访问 #loc #set_index #pandas的query

矩阵子集提取：从基础索引到Pandas/NumPy高效操作指南在数据处理与机器学习中，矩阵子集提取是核心操作，涉及从二维数组中按需筛选行、列或区域。其原理基于索引系统，分为基于位置的整数索引和基于标签的命名索引，前者直接对应内存布局，后者提升代码可读性。掌握高效子集提取技术能显著提升数据清洗、特征工程及模型准备的效率，是数据科学工作流的基础。本文聚焦Pandas DataFrame与NumPy ndarray两大工具，详解loc、iloc、布尔索引等关键方法，并针对DataFrame操作中常见的视图与副本问题提供解决方案，帮助读者在数据分析、特征选择等实际场景中实现精阅读详情