# Kaip indeksuoti pandas DataFrames

Python pandas DataFrames indeksavimas leidžia efektyviai ir tiesiogiai pasiekti duomenis. Tai palengvina konkrečių eilučių ir stulpelių atranką, supaprastindamas duomenų analizės užduotis.

## Kas yra indeksavimas pandose?

Indeksavimas pandose reiškia įvairius metodus, kuriuos galite naudoti eilutėms ar stulpeliams atrinkti. Naudodami eilutės ir stulpelio žymes arba jų skaitmeninę padėtį duomenų rėmelio viduje, galite **lengvai atrinkti elementus duomenų rėmelyje**. Indeksas veikia kaip **adresų sistema jūsų duomenims**, padėdamas jums efektyviau rasti ir tvarkyti savo duomenis.

## Kas yra pandos `DataFrame.index`?

Duomenų rėmo indeksų etiketes pandas galite peržiūrėti naudodami `index` atributą. Sintaksė atrodo taip:

```python
DataFrame.index
```

## Kokia yra pandas duomenų rėmelių indeksavimo sintaksė?

Yra keletas būdų indeksuoti pandas DataFrames, o sintaksė skiriasi priklausomai nuo operacijos, kurią norite atlikti.

### Indeksavimas su žymėmis (stulpelių žymėmis)

Galite naudoti stulpelių pavadinimus, kad indeksuotumėte pandas DataFrames. Štai pavyzdys, kaip sukurti pavyzdinį 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)
```

Štai kaip atrodo duomenų rėmelis:

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

Norėdami pasiekti visas stulpelio reikšmes, galite naudoti stulpelio pavadinimą kartu su indeksavimo operatoriumi `[]`. Tiesiog įveskite stulpelio pavadinimą kaip Python eilutę indeksavimo operatoriaus viduje:

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

Rezultatas yra amžių sąrašas:

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

Norėdami gauti daugiau nei vienos stulpelio duomenis, įrašykite stulpelių pavadinimus indeksavimo operatoriaus laukelyje ir atskirkite juos kableliais.

### Indeksavimas su `loc[]` (eilučių žymėmis)

Jei norite pasiekti konkretų eilutę savo DataFrame, galite naudoti [pandas loc indeksatorių](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-loc/). Indeksuotojui galite perduoti eilutės etiketę arba eilutės numerį. Šiame pavyzdyje naudosime tą patį DataFrame kaip ir aukščiau ir išgausime **vertes iš pirmos eilutės** (eilutė 0):

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

Pirmiau pateiktas kodas išveda Alice vertes, kurios yra pateiktos pirmoje DataFrame eilutėje:

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

### Indeksavimas su `iloc[]` (eilutės ir stulpelių numeriais)

Kitas būdas pasiekti konkrečius elementus jūsų DataFrame yra per eilučių ir stulpelių numerius. Tai tikriausiai populiariausias būdas rasti elementus DataFrame. Norėdami naudoti skaitmeninį indeksą, jums reikės [DataFrame atributas iloc](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/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])
```

Štai rezultatas dirbant su `iloc[]`:

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

### Prieiga prie individualių verčių

Jei norite pasiekti tik vieną reikšmę, `at` indeksatorius yra greitas ir paprastas būdas tai padaryti. Naudodami šį indeksatorių, galite apibrėžti eilutes ir stulpelius **naudodami jų etiketes**. Pavyzdžiui, jei norite sužinoti, kur gyvena Bobas, įveskite „1“ eilutėje ir „Miestas“ stulpelyje:

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

Čia gauname rezultatą „London“.

Arba galite naudoti `iat` **indeksatorių**, kuris veikia panašiai kaip `at`, bet **vietoj pavadinimo** naudoja sveikųjų skaičių pagrįstą **stulpelio poziciją**. Toliau pateiktas kodas duoda tokį patį rezultatą kaip ir ankstesnis pavyzdys:

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

### Būlio indeksavimas

Taip pat galite kurti DataFrame pogrupius pagal sąlygą. Tai vadinama **Būlio indeksavimu**. Sąlyga turėtų būti įvertinta kaip `True` arba `False` ir įrašoma tiesiai į indeksavimo operatorius. Pavyzdžiui, jei norite atrinkti eilutes, kuriose yra vyresni nei 30 metų žmonės, galite naudoti šį kodą:

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

Vienintelis asmuo, kuris yra vyresnis nei 30 metų, yra Charlie, todėl gaunamas toks rezultatas:

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

Note Atminkite, kad atliekant Būlio indeksavimą galite naudoti bet kuriuos Būlio palyginimo operatorius, kurių vertė yra `True` arba `False`. Daugiau apie įvairius Python operatorius sužinosite mūsų straipsnyje, skirtame šiai temai.


This is a markdown version of: [https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-indeksavimas/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-indeksavimas/) for AI/LLM consumption.