Pandas ist eine weit verbreitete Python-Bibliothek zur Datenmanipulation und -analyse. Die Funktion `iloc` ist dabei von zentraler Bedeutung, da sie es ermöglicht, Daten mithilfe von ganzzahligen Indizes auszuwählen und zu bearbeiten. Dies ist besonders hilfreich bei der Arbeit mit großen Datensätzen. In diesem Artikel untersuchen wir die Verwendung von `iloc` in verschiedenen Szenarien und erklären die Funktionsweise Schritt für Schritt, um Ihnen ihre Bedeutung und ihre potenziellen Anwendungsbereiche in der Datenanalyse zu verdeutlichen.
pandas iloc: Die Lösung für ein häufiges Problem
Eine häufige Herausforderung für Datenanalysten besteht darin, bestimmte Teile ihres Datensatzes effizient auszuwählen und zu analysieren. Das DataFrame-Objekt in pandas bietet viele hervorragende Methoden, um diese Herausforderungen zu meistern. Eine der vielseitigsten und leistungsstärksten Funktionen ist der iloc- Indexer. Er ermöglicht den Zugriff auf Zeilen und Spalten eines DataFrames mittels ganzzahliger Indizierung.
Beginnen wir mit einer schrittweisen Erläuterung der Verwendung von iloc in einem praktischen Datenanalyseszenario.
Schritt-für-Schritt-Erklärung von Pandas iloc
Die Verwendung von pandas iloc ist einfach und intuitiv. Angenommen, wir haben den folgenden DataFrame:
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Cathy', 'David'],
'Age': [25, 29, 21, 35],
'City': ['New York', 'San Francisco', 'Los Angeles', 'Boston']}
df = pd.DataFrame(data)
Unser DataFrame hat 4 Zeilen und 3 Spalten. Um iloc zu verwenden, müssen Sie Indizes für die Zeilen und Spalten bereitstellen, auf die Sie zugreifen möchten. Hier sind einige Beispiele:
1. Zugriff auf eine bestimmte Zeile und Spalte:
# Access row 2 (index 1) and column 'Name' (index 0) selected_data = df.iloc[1, 0] print(selected_data) # Output: Bob
2. Zugriff auf eine Reihe von Zeilen und Spalten:
# Access rows 1 to 3 (indexes 0 and 1) and columns 'Name' and 'Age' (indexes 0 and 1) selected_data = df.iloc[0:2, 0:2] print(selected_data) # Output: # Name Age # 0 Alice 25 # 1 Bob 29
3. Zugriff auf bestimmte Zeilen und Spalten:
# Access rows 1 and 4 (indexes 0 and 3) and columns 'Name' and 'City' (indexes 0 and 2) selected_data = df.iloc[[0, 3], [0, 2]] print(selected_data) # Output: # Name City # 0 Alice New York # 3 David Boston
Bibliotheken und Abhängigkeiten
Um pandas iloc zu verwenden , benötigen Sie die pandas-Bibliothek sowie alle weiteren Bibliotheken, von denen pandas abhängt, wie beispielsweise NumPy. Sie können diese über pip oder conda installieren:
pip install pandas numpy
or
conda install pandas numpy
Sobald die Bibliotheken installiert sind, können Sie pandas und iloc in Ihrer Python-Umgebung verwenden, wie in den obigen Beispielen gezeigt.
Andere verwandte Funktionen und Indizierungsmethoden
Neben `iloc` bietet pandas zahlreiche weitere Indexierungsfunktionen und -methoden, die in verschiedenen Situationen nützlich sein können. Einige der wichtigsten sind:
- Ort: Dieser Indexer ermöglicht Benutzern den Zugriff auf Zeilen und Spalten basierend auf einer labelbasierten Indizierung und nicht auf einer ganzzahlbasierten Indizierung wie iloc.
- unter: Es wird verwendet, um auf einen einzelnen Wert basierend auf einer labelbasierten Indizierung zuzugreifen.
- ie: Ähnlich wie 'at', aber für ganzzahlbasierte Indizierung. Es wird verwendet, um auf einen einzelnen Wert basierend auf einer ganzzahlbasierten Indizierung zuzugreifen.
Das Erkunden dieser Funktionen und das Verständnis, wie sie in Kombination mit iloc verwendet werden können, stärkt Ihre Fähigkeit, komplexe Datenmanipulationen mit Pandas durchzuführen.
