LOC против ILOC в Pandas: разница между LOC и ILOC в Pandas

Лок и илок в пандах

Распространенной причиной путаницы среди новых разработчиков Python является loc и iloc. Они оба кажутся очень похожими и выполняют аналогичные задачи. Так что это может озадачить любого школьника.

Если вы хотите узнать разницу между iloc и loc, вы попали по адресу, потому что в этой статье мы подробно обсудим эту тему. Вы узнаете, в чем ключевое различие между этими функциями, а затем увидите их в действии, чтобы лучше понять концепцию. Ознакомьтесь с нашими курсами по науке о данных, чтобы узнать больше о Pandas.

Давайте начнем.

Разница между loc и iloc

1. iloc в Python

Вы можете использовать iloc в Python для выбора. Он основан на целочисленном местоположении и помогает вам выбирать по положению. Итак, если вы хотите найти строку с индексом 5, iloc покажет вам пятую строку фрейма данных независимо от ее имени или метки.

Вот пример iloc в Python:

>>> 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)

>>> дф

abcd

0 1 2 3 4

1 100 200 300 400

2 1000 2000 3000 4000

Мы проиндексируем строки скалярным целым числом, используя функцию iloc для приведенного выше кадра данных:

>>> введите (df.iloc [0])

<класс 'pandas.core.series.Series'>

>>> df.iloc[0]

1

Би 2

с 3

д 4

Имя: 0, dtype: int64

2. найти в пандах

Вы можете использовать loc в Pandas для доступа к нескольким строкам и столбцам с помощью меток; однако вы можете использовать его и с булевым массивом.

Если вы используете loc для поиска строки с индексом 5, вы не получите с ней пятую строку. Вместо этого вы получите только строку с именем «5».

Вот пример loc в Pandas:

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

… index=['кобра', 'гадюка', 'сайдвиндер'],

… столбцы = ['max_speed', 'щит'])

>>> дф

max_speed щит

кобра 1 2

гадюка 4 5

сайдвиндер 7 8

Выше была таблица, из которой мы будем извлекать строку:

>>> df.loc['гадюка']

максимальная_скорость 4

щит 5

Имя: гадюка, dtype: int64

Подробный пример для loc vs iloc

Несмотря на то, что мы используем обе эти функции для выбора, было бы лучше, если бы мы рассмотрели подробный пример, чтобы понять их различия.

В нашем примере мы будем использовать набор данных клиентов телекоммуникационных компаний, который доступен на kaggle. Мы добавим его во фрейм данных:

df = pd.read_csv("Projects/churn_prediction/Telco-Customer-Churn.csv")

дф.голова ()

Этот набор данных имеет 21 столбец; мы показали лишь некоторые из них в демонстрационных целях. Как мы уже говорили, мы используем loc для выбора данных по метке. Здесь имена столбцов — это их метки столбцов, такие как пол, срок владения, OnlineSecurity; все они являются именами столбцов, а также метками.

Поскольку мы не назначили какой-либо конкретный индекс, панды по умолчанию создадут целочисленный индекс для строк. Метки строк представляют собой целые числа, которые начинаются с 0 и увеличиваются. В этом примере мы увидим, как loc и iloc ведут себя по-разному.

• Выберите строку «1» и столбец «Партнер».

df.loc[1, 'Партнер']

Вывод: «Нет»

Он показывает значение, присутствующее в столбце «Партнер» строки «1».

• Выберите метки строк «4» и столбцы «идентификатор клиента» и «пол».

df.loc[:4, ['customerID', 'пол']]

• Выберите метки строк «1», «2», «3» и столбец «Зависимые».

df.loc[[1,2,3], 'Зависимые']

1 Нет

2 Нет

3 Нет

Имя: Зависимые, dtype: объект

На этот раз мы отфильтруем фрейм данных и применим iloc или loc:

• Выберите метки строк для столбцов «10» и «PhoneService» и «InternetService» клиента, у которого есть партнер (партнер должен быть «да»)

df [df.Partner == 'Да'].loc:10, ['PhoneService', 'InternetService']]

В приведенном выше случае мы применили фильтр к базе данных, но не изменили индекс, поэтому в нашем выводе были пропущены несколько меток строк, которые требовал наш фильтр. Итак, используя здесь loc[:10], мы выбрали строки с метками до «10».

Если, с другой стороны, мы используем здесь iloc и применяем фильтр, мы получим 10 строк, так как iloc выбирает по положению независимо от меток. Вот результат, который мы получим, если применим iloc[:10]:

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

Вы, должно быть, заметили, что нам нужно изменить наш метод для выбора столбцов.

Читайте: Учебник по Python Pandas

• Выберите первые 5 столбцов и первые 5 строк с помощью iloc

df.iloc[:4, :4]

Мы можем использовать iloc для выбора позиций с конца. Для этого нам просто нужно использовать отрицательные целые числа (-1, -2 и т. д.) и начать с них.

• Выберите последние 5 столбцов и последние 5 строк

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

Вы также можете использовать лямбда-функцию с iloc. (Лямбда-функция — это небольшая анонимная функция в Python, которая может иметь одно выражение, но любое количество аргументов.)

• Выберите каждую третью строку до 15-й и покажите только столбцы «Интернет-сервис» и «Партнер».

df.iloc[ lambda x: (x.index x 3 == 0) & (x.index <= 150]['Партнер', 'InternetService' ]]

Мы также можем выбрать метки или позиции между ними.

• Выберите позиции столбцов между 4 и 6 и позиции строк между 20 и 25

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

Теперь, если вы попытаетесь передать метки iloc, Pandas покажет вам следующее сообщение об ошибке:

ValueError: индексирование на основе местоположения может иметь только типы [целое число, целочисленный фрагмент (точка НАЧАЛА ВКЛЮЧЕНА, точка КОНЕЦА ИСКЛЮЧЕНА), список целых чисел, логический массив]

Вы получите аналогичную ошибку, если передадите position в loc.

Читайте также: Вопросы для интервью с пандами

Узнайте больше о Python

Студент должен задавать вопросы и находить на них ответы. Мы надеемся, что эта статья ответила на ваши вопросы о loc в Pandas (или iloc в Python). Было бы лучше, если бы вы сами опробовали эти функции на разных наборах данных, чтобы понять, как они работают.

Если вы хотите узнать больше о Python, Pandas и соответствующих темах, посетите наш блог. Наши специалисты добавляют туда несколько подробных ресурсов.

Если вам интересно узнать о науке о данных, ознакомьтесь с программой IIIT-B & upGrad Executive PG по науке о данных, которая создана для работающих профессионалов и предлагает более 10 тематических исследований и проектов, практические семинары, наставничество с отраслевыми экспертами, 1 -на-1 с отраслевыми наставниками, более 400 часов обучения и помощи в трудоустройстве в ведущих фирмах.