今天还是接着来说，今天我们来好好聊聊Pandas中的.loc方法！
我们首先来看一下文档里是怎么说的：
pandas provides a suite of methods in order to have purely label based indexing.
The .loc attribute is the primary access method. The following are valid inputs:
- A single label, e.g.
5or'a', (note that5is interpreted as a label of the index. This use is not an integer position along the index) - A list or array of labels
['a', 'b', 'c'] - A slice object with labels
'a':'f'(note that contrary to usual python slices, both the start and the stop are included, when present in the index! - also See ) - A boolean array
- A
callable, see
>>> import numpy as np>>> import pandas as pd>>> s1 = pd.Series(np.random.randn(6), index=list('abcdef'))>>> s1a -0.354041b 0.286674c -1.144354d -2.290284e -0.299573f -0.011348dtype: float64复制代码 我们定义了一个包含6个随机数的pandas.Series，这6个数的索引标签(a label of the index)分别是abcdef 这6个字符，我们可以通过索引标签来获取我们想要获取的数据：
>>> s1.loc['b']0.28667372019035603复制代码
我还想要再强调一下，我们是按照索引的标签(a label of the index)了来获取数据的，跟这个索引本身是几并无关系：
>>> s2 = pd.Series(np.random.randn(6), index=[5, 4, 3, 2, 1, 0])>>> s25 0.0636224 -0.7897193 -0.9164642 1.0238281 -0.4400470 0.269705dtype: float64>>> s2.loc[5]0.063622356476971106复制代码
可以看到，我们这里生成了一个新的包含6个随机数的pandas.Series，这6个数的索引标签(a label of the index)分别是5,4,3,2,1,0这6个整数，这与他们在这个pandas.Series中处于第几行并无关系。当我们传入整数5的时候，返回了标签5所在行所对应的数字，而并非第5行所对应的数字。
我们也可以通过一个标签切片(a slice objects with labels)来获取多个数据也可以进行赋值：
>>> s1.loc['b':'f']b 0.286674c -1.144354d -2.290284e -0.299573f -0.011348dtype: float64>>> s1.loc['b':]b 0.286674c -1.144354d -2.290284e -0.299573f -0.011348dtype: float64>>> s1.loc['d':'f'] = 0>>> s1a -0.354041b 0.286674c -1.144354d 0.000000e 0.000000f 0.000000dtype: float64复制代码
可以看到这里的切片用法和Python原生的list的切片是不一样的，冒号两边的start和stop位置都被包含了进来，要注意两者之间的差别！
在pandas的DataFrame中.loc方法并没有很大区别,以下展示代码，不进行过多赘述
>>> df1 = pd.DataFrame(np.random.randn(6, 4), index=list('abcdef'), columns=list('ABCD'))>>> df1 A B C Da 0.031419 0.658151 1.069829 -1.366788b 0.889844 -1.402487 0.183858 -0.037312c 0.278374 -0.122152 0.429787 -1.251808d -0.935268 -0.768464 -1.343263 -0.435845e -0.612629 -1.538650 -1.774796 1.013778f -1.313907 -0.472731 -1.635683 0.140725>>> df1.loc[['a', 'b', 'd'], :] A B C Da 0.031419 0.658151 1.069829 -1.366788b 0.889844 -1.402487 0.183858 -0.037312d -0.935268 -0.768464 -1.343263 -0.435845>>> df1.loc['d':, 'A':'C'] A B C d -0.935268 -0.768464 -1.343263 e -0.612629 -1.538650 -1.774796 f -1.313907 -0.472731 -1.635683>>> df1.loc['a']A 0.031419B 0.658151C 1.069829D -1.366788Name: a, dtype: float64>>> df1.xs('a')A 0.031419B 0.658151C 1.069829D -1.366788Name: a, dtype: float64>>> df1.loc['a'] > 1A FalseB FalseC TrueD FalseName: a, dtype: bool>>> df1.loc[:, df1.loc['a'] > 1] Ca 1.069829b 0.183858c 0.429787d -1.343263e -1.774796f -1.635683>>> df1.loc['a', 'A']0.03141854106892028>>> df1.at['a', 'A']0.03141854106892028复制代码 最后再看一点：
>>> s = pd.Series(list('abcde'), index=[0, 3, 2, 5, 4])>>> s0 a3 b2 c5 d4 edtype: object>>> s.sort_index()0 a2 c3 b4 e5 ddtype: object>>> s.sort_index().loc[1:6]2 c3 b4 e5 ddtype: object复制代码 由上面我们看到我们可以根据索引标签(a label of the index)来进行排序，并且可以通过索引标签来筛选数据
关于pandas.loc方法的用法就写到这里啦！文章中涉及的所有代码都可以在我的中找到！文章和代码中有什么错误错误恳请大家不吝赐教！欢迎你们留言评论！