[Python] 经验总结 1：数据框的切片

每个人都知道 Python 是一种高效、简洁、优雅的语言。然而 Python 也有很多坑，现在老宅开一个新系列，分享老宅在学习和实践中总结的经验和教训，不定期分享。

第一个经验就是要吐槽数据框的切片。Python 有很多第三方的模块（比如 pandas 这样的数据科学神器），对提升 Python 的实用性贡献很大。然而模块多就有一个副作用：语法的不一致性。老宅在学习 pandas 的过程中就被数据框切片的复杂语法搞得挠头。

本文参考了 http://chris.friedline.net/2015-12-15-rutgers/lessons/python2/02-index-slice-subset.html，特此致谢。

数据框的切片，是在列表的切片的基础上发展起来的。不过列表是一维，数据框是二维，因此数据框切片有自己独特的方法。所以数据框的切片有两个风格：原生风格和 pandas 风格（这两个风格是老宅自己总结的…）。在总结以前，我们先构建数据集：

>>> import pandas as pd
>>> from sklearn.datasets import load_iris # 载入 iris 数据集模块
>>> iris = pd.DataFrame(load_iris()["data"]) # 载入 iris 数据集并转化为列表
>>> iris.columns = ["sepal_length", "sepal_width",
...                 "petal_length", "petal_width"] # 定义列名
>>> from string import ascii_lowercase # 载入字母表
>>> idx = []
>>> for i in ascii_lowercase:
...     for j in ascii_lowercase:
...         idx.append(i + j)
# 创建字母表排列组合
>>> iris.index = idx[:150] # 定义行名
>>> iris.head()

	sepal_length	sepal_width	petal_length	petal_width
aa	5.1	3.5	1.4	0.2
ab	4.9	3.0	1.4	0.2
ac	4.7	3.2	1.3	0.2
ad	4.6	3.1	1.5	0.2
ae	5.0	3.6	1.4	0.2

原生风格

切片单列

• df.column 方法

直接在数据框后面使用 . 连接列名。例如：

>>> iris.sepal_length[1:5]
ab    4.9
ac    4.7
ad    4.6
ae    5.0
Name: sepal_length, dtype: float64

这个方法不需要用 "" 括上列，非常方便。不过这样有个潜在的局限：如果列名里有空格，这个方法就不好用了，就要用下面的方法。

• df["column"] 方法

这个方法的好处是引号内可以有特殊符号，比如空格。这样切片稍微麻烦一点，但是还可以接受。

• df[["column"]] 方法

这个方法与上面一样都用来切片单列。有什么不同呢？请看下面的例子：

>>> iris["sepal_length"][1:5]

ab    4.9
ac    4.7
ad    4.6
ae    5.0
Name: sepal_length, dtype: float64

>>> iris[["sepal_length"]][1:5]

	sepal_length
ab	4.9
ac	4.7
ad	4.6
ae	5.0

单中括号和双中括号的区别在于单中括号返回的是序列，而双中括号返回的是数据框。

切片多列

• df[["column1", "columns2"...]] 方法
  因为多个列组合在一起是一个数据框，所以必须使用双中括号来切片。列名要用引号括起来。
• df[list] 方法
  这里就体现出不一致性了：假如我们先将想要切片的列放入一个列表，就可以使用单中括号，而且不需要使用引号。

  >>> lst = ["sepal_length","petal_length"]
  >>> iris[lst].head()

	sepal_length	petal_length
aa	5.1	1.4
ab	4.9	1.4
ac	4.7	1.3
ad	4.6	1.5
ae	5.0	1.4

切片行

• 使用索引切片
  哪怕数据框的行已经有的自定义索引名，照样可以使用数字 0 - ~ 切片。

  >>> iris[1:5]

  	sepal length	sepal width	petal length	petal width
  ab	4.9	3.0	1.4	0.2
  ac	4.7	3.2	1.3	0.2
  ad	4.6	3.1	1.5	0.2
  ae	5.0	3.6	1.4	0.2

• 使用行名切片

  >>> iris["ae":"ag"]

  	sepal_length	sepal_width	petal_length	petal_width
  ae	5.0	3.6	1.4	0.2
  af	5.4	3.9	1.7	0.4
  ag	4.6	3.4	1.4	0.3

行切片还有一个列切片不具备的功能：切片连续的行。如果数据框的行名和列名不一致，pandas 会自动判断你在切片行还是列。如果一致嘛…pandas 就不知所措了。这时候就要用到下面的 pandas 风格切片。

pandas 风格切片

df.loc[“indexes”, “columns”] 基于行、列的名称切片

注意行和列都是用的复数形式，意味着可以同时切片多行或多列。同时也可以切片范围内的行或列，使用 : 即可。

>>> iris.loc["ae":"ag", ["sepal_length","petal_length"]]

	sepal_length	petal_length
ae	5.0	1.4
af	5.4	1.7
ag	4.6	1.4

想切片全部的行或列，只需要单独使用 : 即可。

iris.loc["ae":"ag", :] # 切片全部列

	sepal_length	sepal_width	petal_length	petal_width
ae	5.0	3.6	1.4	0.2
af	5.4	3.9	1.7	0.4
ag	4.6	3.4	1.4	0.3

df.iloc[“indexes”, “columns”] 基于行、列的索引切片

也可以基于行或列的数字索引切片，具备 loc 的一切结构和性质。

>>> iris.iloc[1:3, 0:2]

	sepal_length	sepal_width
ab	4.9	3.0
ac	4.7	3.2