# Πώς να ευρετηριάσετε τα DataFrames του pandas

Η ευρετηρίαση των DataFrames της Python pandas επιτρέπει την αποτελεσματική και άμεση πρόσβαση στα δεδομένα. Διευκολύνει την επιλογή συγκεκριμένων σειρών και στηλών, απλοποιώντας τις εργασίες ανάλυσης δεδομένων.

## Τι είναι η ευρετηρίαση στο pandas;

Η ευρετηρίαση στο pandas αναφέρεται σε διαφορετικές μεθόδους που μπορείτε να χρησιμοποιήσετε για να επιλέξετε σειρές ή στήλες. Χρησιμοποιώντας ετικέτες σειρών και στηλών ή την αριθμητική τους θέση στο DataFrame, μπορείτε **εύκολα να επιλέξετε στοιχεία σε ένα DataFrame**. Ένας δείκτης λειτουργεί ως ένα **είδος συστήματος διευθύνσεων για τα δεδομένα σας**, βοηθώντας σας να εντοπίσετε και να διαχειριστείτε τα δεδομένα σας πιο αποτελεσματικά.

## Τι είναι το pandas `DataFrame.index`;

Μπορείτε να δείτε τις ετικέτες ευρετηρίου ενός DataFrame στο pandas χρησιμοποιώντας το `index` attribute. Η σύνταξη έχει την εξής μορφή:

```python
DataFrame.index
```

## Ποια είναι η σύνταξη για την ευρετηρίαση DataFrames στο pandas;

Υπάρχουν διάφοροι τρόποι για την ευρετηρίαση των DataFrames της pandas και η σύνταξη ποικίλλει ανάλογα με τη λειτουργία που θέλετε να εκτελέσετε.

### Ευρετηρίαση με ετικέτες (ετικέτες στηλών)

Μπορείτε να χρησιμοποιήσετε ονόματα στηλών για να δημιουργήσετε ευρετήριο σε DataFrames pandas. Ακολουθεί ένα παράδειγμα για το πώς να δημιουργήσετε ένα δείγμα DataFrame:

```python
import pandas as pd
# Creating a sample DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'City': ['Nottingham', 'London', 'Cardiff']
}
df = pd.DataFrame(data)
print(df)
```

Έτσι φαίνεται το DataFrame:

```none
Name  Age       City
0    Alice   25     Nottingham
1    Bob   30  	London
2  Charlie   35    Cardiff
```

Για να αποκτήσετε πρόσβαση σε όλες τις τιμές μιας στήλης, μπορείτε να χρησιμοποιήσετε το όνομα της στήλης μαζί με τον τελεστή ευρετηρίασης `[]`. Απλώς εισαγάγετε το όνομα της στήλης ως συμβολοσειρά Python μέσα στον τελεστή ευρετηρίασης:

```python
# Access the Age column
print(df['Age'])
```

Το αποτέλεσμα είναι μια λίστα με τις ηλικίες:

```none
0    25
1    30
2    35
Name: Age, dtype: int64
```

Για να ανακτήσετε τα δεδομένα περισσότερων από μία στήλης, γράψτε τα ονόματα των στηλών στον τελεστή ευρετηρίασης και τοποθετήστε κόμματα μεταξύ τους για να τα διαχωρίσετε.

### Ευρετηρίαση με `loc[]` (ετικέτες σειράς)

Εάν πρέπει να αποκτήσετε πρόσβαση σε μια συγκεκριμένη σειρά στο DataFrame σας, μπορείτε να χρησιμοποιήσετε τον [δείκτη pandas loc](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-loc/). Μπορείτε να μεταβιβάσετε την ετικέτα σειράς ή τον αριθμό σειράς στον δείκτη. Σε αυτό το παράδειγμα, θα χρησιμοποιήσουμε το ίδιο DataFrame όπως παραπάνω και θα εξαγάγουμε τις **τιμές από την πρώτη σειρά** (σειρά 0):

```python
print(df.loc[0])
```

Ο παραπάνω κώδικας εμφανίζει τις τιμές για την Alice, οι οποίες περιέχονται στην πρώτη σειρά του DataFrame:

```none
Name        Alice
Age            25
City      Nottingham
Name: 0, dtype: object
```

### Ευρετηρίαση με `iloc[]` (αριθμοί σειρών και στηλών)

Ένας άλλος τρόπος πρόσβασης σε συγκεκριμένα στοιχεία του DataFrame είναι μέσω των αριθμών σειρών και στηλών. Αυτός είναι πιθανώς ο πιο δημοφιλής τρόπος εντοπισμού στοιχείων σε ένα DataFrame. Για να χρησιμοποιήσετε τον αριθμητικό δείκτη, χρειάζεστε το [χαρακτηριστικό iloc του DataFrame](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-iloc/).

```python
# Access the first row
print(df.iloc[0])
# Access the value in the first row and second column
print(df.iloc[0, 1])
```

Αυτό είναι το αποτέλεσμα όταν δουλεύουμε με `iloc[]`:

```none
Name        Alice
Age            25
City      Nottingham
Name: 0, dtype: object
25
```

### Πρόσβαση σε μεμονωμένες τιμές

Εάν θέλετε απλώς να αποκτήσετε πρόσβαση σε μία μόνο τιμή, ο δείκτης `at` είναι ένας γρήγορος και απλός τρόπος για να το κάνετε. Με αυτόν τον δείκτη, μπορείτε να ορίσετε σειρές και στήλες **χρησιμοποιώντας τις ετικέτες τους**. Για παράδειγμα, εάν θέλετε να μάθετε πού ζει ο Bob, πληκτρολογήστε «1» για τη σειρά και «City» για τη στήλη:

```python
print(df.at[1, 'City'])
```

Εδώ, έχουμε ως αποτέλεσμα το Λονδίνο.

Εναλλακτικά, μπορείτε να χρησιμοποιήσετε τον **δείκτη** `iat`, ο οποίος λειτουργεί παρόμοια με `at`, αλλά χρησιμοποιεί τη **θέση της στήλης** με βάση τον ακέραιο αριθμό **αντί για το όνομα**. Ο παρακάτω κώδικας δίνει το ίδιο αποτέλεσμα με το προηγούμενο παράδειγμα:

```python
print(df.iat[1, 2])
```

### Βοολιανή ευρετηρίαση

Μπορείτε επίσης να δημιουργήσετε υποσύνολα ενός DataFrame με βάση μια συνθήκη. Αυτό είναι γνωστό ως **Boolean indexing**. Η συνθήκη πρέπει να έχει ως αποτέλεσμα είτε `True` είτε `False` και τοποθετείται απευθείας στον τελεστή ευρετηρίασης. Για παράδειγμα, αν θέλετε να επιλέξετε σειρές που περιέχουν άτομα άνω των 30 ετών, μπορείτε να χρησιμοποιήσετε τον ακόλουθο κώδικα:

```python
# Select rows where Age is greater than 30
print(df[df['Age'] > 30])
```

Ο μόνος που είναι πάνω από 30 είναι ο Charlie, με αποτέλεσμα την ακόλουθη έξοδο:

```none
Name  Age     City
2  Charlie   35    Cardiff
```

Note Να θυμάστε ότι, κατά την εκτέλεση της ευρετηρίασης Boolean, μπορείτε να χρησιμοποιήσετε οποιονδήποτε τελεστή σύγκρισης Boolean που έχει ως αποτέλεσμα `True` ή `False`. Μάθετε περισσότερα σχετικά με τους διαφορετικούς τελεστές Python στο ειδικό άρθρο μας για το θέμα.


This is a markdown version of: [https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-eyretiriasi-dataframe/](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-eyretiriasi-dataframe/) for AI/LLM consumption.