python - 索引操作 (.loc) ([ ]) 和 (.) 有什么区别

Question

让我们以下面这个数据框为例:

df = pd.DataFrame({
    'a':[1,2,3,4],
    'b':[2,4,6,8],
    'c':[True,True,False,False]
    })

>df
   a  b      c
0  1  2   True
1  2  4   True
2  3  6  False
3  4  8  False

我有不同的方法来选择列 a，其中列 c 等于 True:

第一种方式:

df.loc[df.c == True, 'a']

第二种方式:

df.loc[df['c'] == True, 'a']

第三种方式:

df.a[df['c'] == True]

所有这些都得到相同的结果:

0    1
1    2
Name: a, dtype: int64

还有其他操作，例如 df.a[df.c == True] 可以做到这一点。我只是想知道索引操作 (.loc) ([ ]) 和 (.) 之间有什么区别吗？

Answer 1

但是，.a 和 ["a"] 之间的 pandas 没有没有区别(@cricket_007 链接)，如此处回答:In a Pandas DataFrame, what's the difference between using squared brackets or dot to 'cal a column?

<小时/>

但是

当您使用 [] 时，您正在传递 True 和 False 值的列表

[df.c]

打印:

[0     True
 1     True
 2    False
 3    False
 Name: c, dtype: bool]

还有:

type([df.c]) #prints 'list'

换句话说，它们是相同的。

df[df.c] 
df[[True,True,False,False]]

这不等于 .loc，一个数据帧函数，考虑到您的示例，它似乎是最快的

%timeit df[df.c].a
1000 loops, best of 3: 437 µs per loop

%timeit df.a[df.c]
1000 loops, best of 3: 387 µs per loop

%timeit df.loc[df.c, 'a'] #equal to df.loc[df["c"], "a"]
1000 loops, best of 3: 210 µs per loop