Python: Pandas 系列 - 为什么使用 loc？

Question

为什么我们对 pandas 数据框使用“loc”？似乎以下代码无论是否使用 loc 都可以以类似的速度编译和运行

%timeit df_user1 = df.loc[df.user_id=='5561']

100 loops, best of 3: 11.9 ms per loop

或

%timeit df_user1_noloc = df[df.user_id=='5561']

100 loops, best of 3: 12 ms per loop

那么为什么要使用 loc？

编辑:这已被标记为重复问题。但是虽然pandas iloc vs ix vs loc explanation?确实提到了*

you can do column retrieval just by using the data frame's getitem:

*

df['time']    # equivalent to df.loc[:, 'time']

它没有说明我们为什么使用 loc，虽然它确实解释了 loc 的许多特性，但我的具体问题是“为什么不完全省略 loc”？我已经接受了下面一个非常详细的答案。

另外，其他帖子的答案(我认为不是答案)在讨论中非常隐藏，任何搜索我正在寻找的东西的人都会发现很难找到信息，并且会更好地服务于为我的问题提供的答案。

Answer 1

• 显式优于隐式。

  df[boolean_mask]选择 boolean_mask 所在的行是 True，但是当您可能不希望它时，有一个极端情况:当 df具有 bool 值的列标签:

  In [229]: df = pd.DataFrame({True:[1,2,3],False:[3,4,5]}); df
  Out[229]: 
     False  True 
  0      3      1
  1      4      2
  2      5      3
  

  您可能想使用 df[[True]]选择True柱子。相反，它引发了 ValueError :

  In [230]: df[[True]]
  ValueError: Item wrong length 1 instead of 3.
  

  相对于使用 loc :

  In [231]: df.loc[[True]]
  Out[231]: 
     False  True 
  0      3      1
  

  相比之下，以下不引发 ValueError即使 df2 的结构与 df1 几乎相同以上:

  In [258]: df2 = pd.DataFrame({'A':[1,2,3],'B':[3,4,5]}); df2
  Out[258]: 
     A  B
  0  1  3
  1  2  4
  2  3  5
  
  In [259]: df2[['B']]
  Out[259]: 
     B
  0  3
  1  4
  2  5
  

  因此，df[boolean_mask]并不总是与 df.loc[boolean_mask] 的行为相同.即使这可能是一个不太可能的用例，我还是建议始终使用 df.loc[boolean_mask]而不是 df[boolean_mask]因为df.loc的意思的语法是明确的。与 df.loc[indexer]你会自动知道 df.loc正在选择行。相比之下，尚不清楚 df[indexer]将选择行或列(或提高 ValueError )而不知道有关 indexer 的详细信息和 df .

• df.loc[row_indexer, column_index]可以选择行和列。 df[indexer]只能根据 indexer 中的值类型选择行 或 列以及列值的类型 df有(再次，它们是 bool 值吗？)。

  In [237]: df2.loc[[True,False,True], 'B']
  Out[237]: 
  0    3
  2    5
  Name: B, dtype: int64
  

• 当一个切片被传递给 df.loc端点包含在范围内。当切片传递给 df[...] ，切片被解释为半开区间:

  In [239]: df2.loc[1:2]
  Out[239]: 
     A  B
  1  2  4
  2  3  5
  
  In [271]: df2[1:2]
  Out[271]: 
     A  B
  1  2  4