DataFrame的索引操作

DataFrame 索引操作精讲：行列定位、loc 与 iloc 双轴切片及布尔查询

小象实战讲义 · Python数据分析实战

在日常数据分析工作中，从二维表格 DataFrame 中精确提取感兴趣的行、列、子矩阵或满足特定业务条件的记录是最频繁的操作。Pandas 为 DataFrame 提供了非常强大而灵活的索引机制：包括通过字典式方括号 [] 快速选取列、通过 .loc[] 与 .iloc[] 实现跨行跨列的双轴立体切片，以及利用 .at[] 与 .iat[] 实现标量极速寻址。本节我们将系统攻克 DataFrame 的多维索引操作全景。

💡 核心导读

• 列选取的三种常用方式：df['col']（Series）、df[['col1', 'col2']]（DataFrame）与点属性访问 df.col。
• 二维立体切片索引器：
  • df.loc[row_indexer, col_indexer]：基于行与列的显式标签；
  • df.iloc[row_pos, col_pos]：基于行与列的整数物理位置。
• 布尔条件查询与 df.query() 语法糖：多条件精准过滤行记录。
• 标量快速访问器：df.at[r_label, c_label] 与 df.iat[r_pos, c_pos]（高性能单值读写）。

1. DataFrame 的行列索引与双轴切片

DataFrame 的切片遵循 [行选择器, 列选择器] 的统一规范：

┌─────────────────────────────────────────────────────────────┐
│                 DataFrame 双轴定位切片模型                  │
├─────────────────────────────────────────────────────────────┤
│  df.loc[ 'R1':'R2',  'C1':'C3' ]   (按显式标签双轴切片)     │
│  df.iloc[ 0:2,        1:3 ]        (按整数位置双轴切片)     │
└─────────────────────────────────────────────────────────────┘

# 示例 1：DataFrame 列选取与双轴切片实战

import pandas as pd

# 创建商品销售订单数据集
df = pd.DataFrame({
    "product": ["笔记本电脑", "无线鼠标", "机械键盘", "4K显示器", "人体工学椅"],
    "category": ["数码", "配件", "配件", "数码", "办公"],
    "price": [5999, 99, 399, 2199, 1299],
    "stock": [45, 200, 80, 30, 15]
}, index=["P01", "P02", "P03", "P04", "P05"])

print("=== 1. 原始商品表格 ===")
print(df)

# 1. 列选取：单列 vs 多列
print("\n• 提取单列 price (Series):\n", df["price"])
print("\n• 提取多列 product 和 stock (DataFrame):\n", df[["product", "stock"]])

# 2. loc 标签索引：提取 P02 到 P04 的 product 和 price 列
print("\n• loc 双轴切片 (P02:P04, product:price):\n", df.loc["P02":"P04", "product":"price"])

# 3. iloc 位置索引：提取前 3 行的前 2 列
print("\n• iloc 整数位置切片 [0:3, 0:2]:\n", df.iloc[0:3, 0:2])

2. 布尔掩码条件过滤与标量加速

结合多条件布尔掩码可以快速过滤满足业务规则的行。对于频繁单值访问，.at 比 .loc 快得多。

# 示例 2：布尔掩码过滤与 at 标量快速读写

# 1. 条件过滤：筛选数码类且价格 > 2000 的商品
cond = (df["category"] == "数码") & (df["price"] > 2000)
print("=== 2. 高端数码商品过滤 ===")
print(df[cond])

# 2. 条件更新：将库存低于 20 的商品增加库存预警标识
df.loc[df["stock"] < 20, "stock_alert"] = "紧急补货"
print("\n=== 3. 增加库存预警列 ===")
print(df)

# 3. 高性能单值读写 (at vs iat)
print("\n• at 读取 P01 的 price:", df.at["P01", "price"])
df.at["P01", "price"] = 5899 # 原地快速修改
print("• 修改后 P01 价格:", df.at["P01", "price"])

📝 动手练一练

1. 概念思考题：在对 DataFrame 进行行切片时，为什么不推荐使用 df[0:3] 这种语法，而推荐使用 df.iloc[0:3, :]？

   👉 点击查看参考答案

   参考答案： df[...] 方括号在传入字符串时代表选列，传入切片时又代表选行，容易引起歧义。使用显式的 df.iloc[0:3, :] 语义明确、支持行列双轴同时切片，代码更具鲁棒性。

2. 编程练习：给定学生成绩表，请筛选出数学成绩大于 90 分且英语成绩大于 85 分的所有学生记录。

   👉 点击查看参考答案

   参考答案：

   import pandas as pd
   df = pd.DataFrame({'math': [92, 88, 95], 'english': [86, 90, 82]}, index=['张三', '李四', '王五'])
   res = df[(df['math'] > 90) & (df['english'] > 85)]
   print(res)

本章小结

• 掌握了 DataFrame 的单列、多列投影语法；
• 深入掌握了 loc（标签）与 iloc（位置）的双轴切片定位技术；
• 熟练运用布尔条件组合筛选行记录，以及使用 at 进行高性能单值读写。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入下一小节学习《Pandas 索引操作体系总结与避坑指南》！

—— 小象教研组