# Kuinka valita dataa pandas DataFrames -kehyksistä loc\[\]-komennolla

Python pandas -kirjastossa `DataFrame.loc[]` on ominaisuus, jonka avulla voit valita tietoja DataFrame-taulukosta tunnisteiden avulla. Tämä helpottaa tiettyjen rivien ja sarakkeiden poimimista DataFrame-taulukosta.

## Mikä on pandas `loc[]`:n syntaksi?

`loc[]` n syntaksi on melko yksinkertainen. Sinun tarvitsee vain välittää parametriksi valitsemiesi **sarakkeiden ja rivien nimet**:

```python
DataFrame.loc[selection]
```

Pandas `loc[]`:ssä valinnat tehdään pääasiassa tunnisteiden avulla. Tämä tarkoittaa, että antamasi parametri voi olla **yksittäinen tunniste, luettelo tai tunnisteiden osajoukko**. Myös boolen matriiseja voidaan käyttää.

## Mitä eroa on `loc[]`:lla ja `iloc[]`llä?

Kun pandas `DataFrame.loc[]` valitsee tiedot tunnisteiden perusteella, [DataFrame.iloc](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-iloc/) valitsee tiedot kokonaislukupohjaisten sijaintien perusteella. Seuraava koodiesimerkki havainnollistaa eroja. Ensin luomme [pandas DataFrame](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe/)-kehyksen:

```python
import pandas as pd
# Example DataFrame
data = {'Name': ['Alyssa', 'Brandon', 'Carmen'], 'Age': [23, 35, 30]}
df = pd.DataFrame(data)
print(df)
```

DataFrame näyttää seuraavalta:

```none
Name    Age
0   Alyssa     	23
1 	Brandon     35
2  	Carmen     	30
```

Voit poimia Alyssan DataFrame-taulukosta käyttämällä joko pandas `loc[]` tai `iloc[]`. Vaikka lähestymistavat eroavat toisistaan, tulos on sama:

```python
# Using loc and labels to extract Alyssa
print(df.loc[0, 'Name'])  # Output: 'Alyssa'
# Using iloc and integers to extract Alysa
print(df.iloc[0, 0])  # Output: 'Alyssa'
```

## Kuinka käyttää pandas `DataFrame.loc[]`:tä

Pandas `loc[]` auttaa sinua **poimimaan osajoukkoja DataFrame-kehyksestäsi**. `loc[]` avulla voit poimia yhden rivin tai sarakkeen, useita rivejä ja sarakkeita tai jopa soveltaa suodatusolosuhteita. Tämä joustavuus tekee siitä sopivan monenlaisiin käyttötarkoituksiin.

### Yhden rivin valitseminen

Katsotaanpa DataFrame-esimerkkiä:

```python
import pandas as pd
data = {
    'Name': ['Alyssa', 'Brandon', 'Carmen'],
    'Age': [23, 35, 30],
    'City': ['Sheffield', 'Glasgow', 'Belfast']
}
df = pd.DataFrame(data)
print(df)
```

Tässä on lopullisen DataFrame-kehyksen ulkoasu:

```none
Name  	Age      City
0   Alyssa  23	 	Sheffield
1 Brandon  	35    Glasgow
2 Carmen    30    Belfast
```

Voit valita tiedot riviltä, joka sisältää Brandonia koskevat tiedot (indeksi 1), käyttämällä pandas `loc[]`:

```python
brandon_data = df.loc[1]
print(brandon_data)
```

Tässä on tulos:

```none
Name         Brandon
Age              35
City        	Glasgow
Name: 1, dtype: object
```

### Useiden sarakkeiden valitseminen

Voit myös käyttää `DataFrame.loc[]` valitaksesi osajoukon sarakkeista. Seuraava koodi valitsee sarakkeet “Name” ja “City”:

```python
name_city = df.loc[:, ['Name', 'City']]
print(name_city)
```

Tuloksena on alkuperäisen DataFrame-kehyksen osajoukko:

```none
Name     City
0   Alyssa  Sheffield
1 Brandon   Glasgow
2  Carmen   Belfast
```

### Rivien valinta ehtojen perusteella

Pandas `loc[]`:lla voit myös valita rivejä, jotka täyttävät tietyt kriteerit. Voit tehdä tämän boolen vertailuoperaattoreilla. Esimerkiksi näin voit suodattaa pois kaikki yli 25-vuotiaat henkilöt:

```python
older_than_25 = df.loc[df['Age'] > 25]
print(older_than_25)
```

Yllä oleva koodi tuottaa DataFrame-kehyksen, joka sisältää vain DataFrame-kehyksessä olevat yli 25-vuotiaat henkilöt:

```none
Name  	Age     City
1 Brandon     35   Glasgow
2  Carmen     30   Belfast
```


This is a markdown version of: [https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-loc/](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-loc/) for AI/LLM consumption.