LOC vs ILOC u Pand: różnica między LOC a ILOC u Pand

Loc i iloc w Pandas

Częstą przyczyną nieporozumień wśród nowych programistów Pythona jest loc vs. iloc. Obaj wydają się bardzo do siebie podobni i wykonują podobne zadania. Więc to może zdziwić każdego ucznia.

Jeśli chcesz poznać różnicę między iloc a loc, dobrze trafiłeś, ponieważ w tym artykule szczegółowo omówimy ten temat. Dowiesz się, jaka jest kluczowa różnica między tymi funkcjami, a następnie zobaczysz je w działaniu, aby lepiej zrozumieć koncepcję. Sprawdź nasze kursy nauki o danych, aby dowiedzieć się więcej o Pandach.

Zacznijmy.

Różnica między loc a iloc

1. iloc w Pythonie

Możesz użyć iloc w Pythonie do wyboru. Jest oparty na lokalizacji całkowitej i pomaga wybrać według pozycji. Tak więc, jeśli chcesz znaleźć wiersz z indeksem 5, iloc pokaże ci piąty wiersz ramki danych, niezależnie od jego nazwy lub etykiety.

Oto przykład iloc w Pythonie:

>>> mydict = [{'a': 1, 'b': 2, 'c': 3, 'd': 4},

… {'a': 100, 'b': 200, 'c': 300, 'd': 400},

… {'a': 1000, 'b': 2000, 'c': 3000, 'd': 4000 }]

>>> df = pd.DataFrame(mydict)

>>> df

abcd

0 1 2 3 4

1 100 200 300 400

2 1000 2000 3000 4000

Zaindeksujemy wiersze skalarną liczbą całkowitą, używając funkcji iloc dla powyższej ramki danych:

>>> typ(df.iloc[0])

<class 'pandas.core.series.Series'>

>>> df.iloc[0]

1

b 2

c 3

d 4

Nazwa: 0, dtype: int64

2. zlokalizuj w Pandach

Możesz użyć loc w Pandach, aby uzyskać dostęp do wielu wierszy i kolumn za pomocą etykiet; jednak można go również użyć z tablicą logiczną.

Jeśli użyjesz loc do znalezienia wiersza z indeksem 5, nie otrzymasz z nim piątego wiersza. Zamiast tego otrzymasz tylko wiersz o nazwie „5”.

Oto przykład loc w Pandach:

>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],

… index=['kobra', 'żmija', 'sidewinder'],

… kolumny=['max_speed', 'shield'])

>>> df

tarcza max_speed

kobra 1 2

żmija 4 5

nawijarka 7 8

Powyżej była tabela, z której wyodrębnimy wiersz:

>>> df.loc['żmija']

max_prędkość 4

tarcza 5

Nazwa: viper, dtype: int64

Szczegółowy przykład dla loc vs iloc

Mimo że używamy obu tych funkcji do selekcji, najlepiej byłoby omówić szczegółowy przykład, aby zrozumieć ich różnice.

W naszym przykładzie użyjemy zestawu danych klienta telekomunikacyjnego, który jest dostępny na kaggle. Dodamy go do ramki danych:

df = pd.read_csv("Projekty/przewidywanie_odpływu/odpływ-klient-tele.csv")

df.głowa ()

Ten zbiór danych ma 21 kolumn; pokazaliśmy tylko kilka w celach demonstracyjnych. Jak już wspomnieliśmy, używamy loc do wybierania danych po etykiecie. Tutaj nazwy kolumn są ich etykietami, takimi jak płeć, staż, OnlineSecurity; wszystkie są nazwami kolumn, a także etykietami.

Ponieważ nie przypisaliśmy żadnego konkretnego indeksu, pandy domyślnie utworzyłyby indeks całkowity dla wierszy. Etykiety wierszy są liczbami całkowitymi, które zaczynają się od 0 i idą w górę. W tym przykładzie zobaczymy, jak loc i iloc zachowują się inaczej.

• Wybierz wiersz „1” i kolumnę „Partner”

df.loc[1, 'Partner']

Wyjście: „Nie”

Pokazuje wartość obecną w kolumnie „Partner” wiersza „1”.

• Wybierz etykiety wierszy „4” i kolumny „identyfikator klienta” i „płeć”

df.loc[:4, ['identyfikator klienta', 'płeć']]

• Wybierz etykiety wierszy „1”, „2”, „3” i kolumnę „Zależni”

df.loc[[1,2,3], 'Zależni']

1 Nie

2 Nie

3 Nie

Nazwa: Zależni, dtype: obiekt

Tym razem przefiltrujemy ramkę danych i zastosujemy iloc lub loc:

• Wybierz etykiety wierszy do kolumn „10” i „Usługa Telefoniczna” i „Usługa Internetowa” klienta, który ma Partnera (Partner powinien być „tak”)

df [df.Partner == 'Tak'].loc:10, ['Usługa Telefoniczna', 'Usługa Internetowa']]

W powyższym przypadku zastosowaliśmy filtr do bazy danych, ale nie zmieniliśmy indeksu, więc nasze dane wyjściowe pominęły wiele etykiet wierszy, których wymagał nasz filtr. Tak więc, używając tutaj loc[:10], wybraliśmy wiersze, które miały etykiety do „10”.

Z drugiej strony, jeśli użyjemy tutaj iloc i zastosujemy filtr, otrzymamy 10 wierszy, gdy iloc wybiera według pozycji, niezależnie od etykiet. Oto wynik, który otrzymamy, jeśli zastosujemy iloc[:10]:

df[df.Partner == 'Tak'].iloc[:10, [6,8]]

Na pewno zauważyłeś, że musimy zmienić naszą metodę wyboru kolumn.

Przeczytaj: samouczek Python Pandas

• Wybierz pierwsze 5 kolumn i pierwsze 5 wierszy za pomocą iloc

df.iloc[:4, :4]

Możemy użyć iloc do wybrania pozycji od końca. W tym celu po prostu użyjemy ujemnych liczb całkowitych (-1, -2 itd.) i zaczniemy od nich.

• Wybierz ostatnie 5 kolumn i ostatnie 5 wierszy

df.iloc[-5:, -5:]

Możesz również użyć funkcji lambda z iloc. (Funkcja lambda to mała anonimowa funkcja w Pythonie, która może mieć jedno wyrażenie, ale dowolną liczbę argumentów)

• Wybierz co trzeci wiersz aż do 15 i pokaż tylko kolumny „usługa internetowa” i „Partner”

df.iloc[ lambda x: (x.index x 3 == 0) & (x.index <= 150]['Partner', 'Usługa Internetowa' ]]

Możemy również wybrać etykiety lub pozycje obecne pomiędzy.

• Wybierz pozycje kolumn od 4 do 6, a pozycje wierszy od 20 do 25

df.iloc[20:25, 4:6]

Teraz, jeśli spróbujesz przekazać etykiety do iloc, Pandas wyświetli następujący komunikat o błędzie:

ValueError: indeksowanie oparte na lokalizacji może mieć tylko typy [liczba całkowita, wycinek całkowity (punkt START jest WŁĄCZONY, punkt końcowy jest WYŁĄCZONY), listy podobne do liczb całkowitych, tablica logiczna]

Podobny błąd otrzymasz, jeśli przekażesz pozycje do loc.

Przeczytaj także: Pytania do wywiadu z Pandami

Dowiedz się więcej o Pythonie

Uczeń musi zadawać pytania i znajdować na nie odpowiedzi. Mamy nadzieję, że ten artykuł odpowiedziałby na Twoje pytania dotyczące loc w Pandas (lub iloc w Pythonie). Najlepiej byłoby, gdybyś sam wypróbował te funkcje na różnych zestawach danych, aby zrozumieć, jak działają.

Jeśli chcesz dowiedzieć się więcej o Pythonie, Pandach i odpowiednich tematach, odwiedź nasz blog. Nasi eksperci dodają tam wiele szczegółowych zasobów.

Jeśli jesteś zainteresowany nauką o danych, sprawdź program IIIT-B i upGrad Executive PG w dziedzinie Data Science, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami z branży, 1 -on-1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.