Indekseringen av Python pandas DataFrames gir effektiv og direkte tilgang til data. Det gjør det enklere å velge bestemte rader og kolonner, noe som forenkler dataanalyseoppgaver.

Hva er indeksering i pandas?

Indeksering i pandas refererer til ulike metoder du kan bruke for å velge rader eller kolonner. Ved å bruke etiketter på rader og kolonner eller deres numeriske posisjon i DataFrame, kan du enkelt velge elementer i en DataFrame. En indeks fungerer som en slags adressesystem for dataene dine, og hjelper deg med å finne og administrere dataene dine mer effektivt.

Hva er pandas DataFrame.index?

Du kan vise indeksetikettene til en DataFrame i pandas ved hjelp av attributtet index. Syntaksen ser slik ut:

DataFrame.index
python

Hva er syntaksen for indeksering av DataFrames i pandas?

Det finnes flere måter å indeksere pandas DataFrames på, og syntaksen varierer avhengig av operasjonen du ønsker å utføre.

Indeksering med etiketter (kolonneetiketter)

Du kan bruke kolonnenavn til å indeksere pandas DataFrames. Her er et eksempel på hvordan du oppretter en eksempel-DataFrame:

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)
python

Slik ser DataFrame ut:

Name  Age       City
0    Alice   25     Nottingham
1    Bob   30  	London
2  Charlie   35    Cardiff

For å få tilgang til alle verdiene i en kolonne, kan du bruke kolonnenavnet sammen med indekseringsoperatoren []. Bare skriv inn kolonnenavnet som en Python-streng inne i indekseringsoperatoren:

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

Resultatet er en liste over aldre:

0    25
1    30
2    35
Name: Age, dtype: int64

For å hente data fra mer enn én kolonne, skriver du kolonnenavnene i indekseringsoperatoren og setter komma mellom dem for å skille dem.

Indeksering med loc[] (radetiketter)

Hvis du trenger å få tilgang til en bestemt rad i DataFrame, kan du bruke pandas loc-indekseren. Du kan sende radetiketten eller radnummeret til indekseren. I dette eksemplet skal vi bruke samme DataFrame som ovenfor og trekke ut verdiene fra den første raden (rad 0):

print(df.loc[0])
python

Koden ovenfor viser verdiene for Alice, som finnes i første rad i DataFrame:

Name        Alice
Age            25
City      Nottingham
Name: 0, dtype: object

Indeksering med iloc[] (rad- og kolonnenummer)

En annen måte å få tilgang til bestemte elementer i DataFrame på er gjennom rad- og kolonnenumre. Dette er sannsynligvis den mest populære måten å finne elementer i en DataFrame på. For å bruke det numeriske indekset trenger du DataFrame-attributtet iloc.

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

Her er resultatet når du arbeider med iloc[]:

Name        Alice
Age            25
City      Nottingham
Name: 0, dtype: object
25

Tilgang til individuelle verdier

Hvis du bare vil ha tilgang til en enkelt verdi, er at en rask og enkel måte å gjøre det på. Med denne indekseren kan du definere rader og kolonner ved hjelp av etikettene deres. Hvis du for eksempel vil finne ut hvor Bob bor, skriver du «1» for raden og «City» for kolonnen:

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

Her får vi utdataen London.

Alternativt kan du bruke 20-indekseren, som fungerer på samme måte som at, men bruker kolonneposisjonen basert på heltall i stedet for navnet. Koden nedenfor gir samme resultat som forrige eksempel:

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

Boolsk indeksering

Du kan også opprette delmengder av en DataFrame basert på en betingelse. Dette kalles boolsk indeksering. Betingelsen skal evaluere til enten True eller False og plasseres direkte i indekseringsoperatoren. Hvis du for eksempel vil velge rader som inneholder personer som er over 30 år, kan du bruke følgende kode:

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

Den eneste personen som er over 30 år er Charlie, noe som gir følgende resultat:

Name  Age     City
2  Charlie   35    Cardiff
Go to Main Menu