Pandas 中的 Iloc 与 Loc：示例指南

学习 Pandas 时，我们都会头疼的一件事，就是弄清 .loc 和 .iloc 的区别。

让我们来彻底澄清这两个方法的差异。我会给出大量示例，希望读完本文后，这两者的区别会清晰许多。

Pandas 中的 .loc 和 .iloc 是什么？

.loc 和 .iloc 都是 Pandas DataFrame 的关键属性，用于选择特定的数据子集。它们的目的都是访问并操作 DataFrame 的某一部分，而不是整个 DataFrame。

正如我们从表中所见，语法非常相似。不同之处在于我们如何使用 row_indexer 和 column_indexer 参数。这是因为二者提供了不同的索引方式：.loc 基于标签名进行索引，而 .iloc 接收行列的数值位置索引作为参数。

下面分别详细看看这两种方法，先从 .loc 开始。

使用 .loc：按标签选择

为便于说明，我们来看一个假想的客户数据库，用名为 df 的 DataFrame 表示，其中 Customer ID 作为行索引：

使用 .loc 选择行主要有四种方式：

• 选择单行
• 选择多行
• 选择行切片
• 按条件选择行

使用 .loc 选择单行

要选择单行，我们使用目标行的标签作为 row_indexer。相应语法为：df.loc['row_label']。例如，显示客户 Ali Khan 的全部信息：

df.loc['C345']

使用 .loc 选择多行

如果要选择若干不一定相邻的行，需要将它们的行标签列表作为 row_indexer 参数传入。也就是说，需要用到两层方括号：一层是常规的 .loc 语法，一层是标签列表。

代码 df.loc[['row_label_1', 'row_label_2']] 会返回列表中指定的两行。比如我们想查看 Ali Khan 和 David Lee 的信息：

df.loc[['C345', 'C567']]

使用 .loc 选择行切片

要选择一段连续的行，可用起止行标签并在中间放置冒号：df.loc['row_label_start':'row_label_end']。例如展示我们 DataFrame 的前四行：

df.loc['C123' : 'C456']

这里需要注意两点：

1. 输出包含 row_label_end 指定的最后一行。.iloc 的行为不同，我们稍后会介绍。
2. 尽管我们要取多行，但只使用一层方括号。我们不是用列表来指定多行，因此使用两层方括号会报 SyntaxError。

使用 .loc 按条件选择行

我们也可以基于条件表达式返回行。即按某个条件对所有行进行筛选，只显示满足条件的行。

相应语法为 df.loc[conditional_expression]，其中 conditional_expression 是针对某一列允许取值的判断语句。

对于非数值数据的列（如 Name 或 Country），由于值之间没有序关系，只能使用等于或不等于运算符。例如返回所有不来自 Asia 的客户行：

df.loc[df['Region'] != 'Asia']

使用 .loc 选择单列

选择列时，需要指定位于 row_indexer 之后的 column_indexer 参数。如果只想指定 column_indexer，就需要以某种方式表明要返回所有行，仅在列上进行过滤。我们来看看如何实现！

选择单列时，将该列的标签作为 column_indexer 指定。为检索所有行，我们用一个简单的冒号作为 row_indexer。语法如下：df.loc[:, 'column_name']。

下面显示每位客户的 Name：

df.loc[:, 'Name']

使用 .loc 选择多列

与选择多行类似，如果要返回若干不一定相邻的列，需要传入列标签列表：df.loc[:, [col_label_1, 'col_label_2']]。

如果我们想在上一个输出中加上所有客户的 Age，可以这样做：

df.loc[:, ['Name', 'Age']]

使用 .loc 选择列切片

在两个列标签之间使用冒号，可选择介于两者之间范围内的所有列，且包含结束列。标准语法如下：df.loc[:, 'col_start':'col_end']。

如果我们关心客户的 Name、Country 和 Region，代码可以是：

df.loc[:, 'Name':'Region']

使用 .loc 组合选择行与列

也可以同时指定 row_indexer 和 column_indexer。这可用于检索单个信息，即 DataFrame 的某个单元格。做法是用语法 df.loc['row_label', 'column_name'] 指定一行一列。

更常见也更有用的场景是返回一个子 DataFrame，恰好包含我们关心的那些行和列。可以将两个 indexer 都用列表（方括号）或切片（冒号）指定，甚至还能把行选择与条件表达式结合。

下面这个示例返回所有 Age 大于 30 的客户的 Name、Country 和 Region：

df.loc[df['Age'] > 30, 'Name':'Region']

使用 .iloc：按整数位置选择

.iloc 是按位置而非标签进行选择。其标准语法为：df.iloc[row_indexer, column_indexer]。需要特别注意两点：

• 从 0 开始计数：第一行和第一列的索引是 0，第二个是 1，依此类推。
• 切片的右端不包含：使用切片时，冒号后指定的行或列不会包含在选择结果中。

使用 .iloc 选择单行

选择单行时，使用表示行索引号的整数作为 row_indexer。由于输入的是整数而非 .loc 中的标签字符串，因此不需要引号。要返回名为 df 的 DataFrame 的第一行，输入 df.iloc[0]。

在我们的示例 DataFrame 中，这行代码会返回 John Doe 的信息：

df.iloc[0]

使用 .iloc 选择多行

在 .iloc 中，选择多行与 .loc 类似——将行索引整数放入列表中（方括号）。语法如：df.iloc[[0, 3, 4]]。

在我们的客户表中，相应输出如下：

df.iloc[[0, 3, 4]]

使用 .iloc 选择行切片

选择一段行时，在两个行索引整数之间使用冒号。此时要注意前面提到的不包含右端点规则。

以 df.iloc[1:4] 为例说明。索引 1 表示第二行，因此切片从第二行开始。索引 4 表示第五行——但由于 .iloc 的切片不包含右端点，输出只包含直到该行之前的所有行。因此会返回第二、第三和第四行。

我们来验证一下这行代码的效果：

df.iloc[1:4]

使用 .iloc 选择单列

使用 .iloc 选择列的逻辑与前文一致。我们分别看看单列、多列和列切片的用法。

与 .loc 一样，必须先指定 row_indexer，再指定 column_indexer。要为每一行取 df 的第三列，输入 df.iloc[:, 2]。

由于 Region 是我们 DataFrame 的第三列，因此这行代码会将其取出：

df.iloc[:, 2]

使用 .iloc 选择多列

要选择若干不一定相邻的列，同样可以将整数列表作为 column_indexer 传入。df.iloc[:, [0, 3]] 会返回第一列和第四列。

在我们的例子中，显示的是每位客户的 Name 和 Age：

df.iloc[:, [0, 3]]

使用 .iloc 选择列切片

在 .iloc 中，列切片的 column_indexer 遵循与 row_indexer 相同的逻辑：冒号后的列不会包含在输出中。要检索第二和第三列，代码应为：df.iloc[:, 1:3]。

下面这行会返回我们对客户掌握的全部地理信息：

df.iloc[:, 1:3]

使用 .iloc 组合选择行与列

我们可以将 .iloc 的用法组合起来进行行列联合选择。同样，可以返回单个单元格或一个子 DataFrame。要返回第 3 行第 4 列交叉处的单元格，输入 df.iloc[2, 3]。

与 .loc 一样，可以将两个 indexer 都指定为列表（方括号）或切片（冒号）。如果想用条件表达式选择行，从技术上讲也可以结合 .iloc 实现，但并不推荐。通常使用标签名配合 .loc 更直观，也更不易出错。

最后这个示例展示 DataFrame 中第一、第二和第五行的 Country、Region 与 Age：

df.iloc[[0,1,4], 1:4]

.iloc 与 .loc：何时用哪一个

通常有一个简单的经验法则，取决于您对 DataFrame 的了解：

• 当您知道行/列的标签（名称）时，使用 .loc。
• 当您知道行/列的整数位置时，使用 .iloc。

某些场景天然更适合 .loc 或 .iloc。例如，按位置遍历行或列时，用整数比用标签更容易、更直观。而正如我们已提及的，根据列值条件过滤行时，使用列标签名通常更不易出错。

使用 .loc 与 .iloc 时的 KeyError、NameError 和 IndexError

来看一些常见问题。使用 .loc 时，常见陷阱是遇到 KeyError。当尝试访问 DataFrame 中不存在的行或列标签时，就会出现该错误。为避免此问题，应确保使用的标签准确无误，与 DataFrame 中已有标签一致，并仔细检查是否有拼写错误。

此外，使用 .loc 指定标签时务必加引号。忘记加引号会导致 NameError。

使用 .iloc 时，如果给出的整数位置超出 DataFrame 索引的有效范围，可能会出现 IndexError。当要访问的索引不存在（超过行或列数量，或为负值）时就会发生。为避免该错误，请检查 DataFrame 的维度，并在有效范围内使用合适的索引值。

总结

希望这篇文章对您有所帮助，现在您应该已经清楚 .loc 与 .iloc 的区别了。若想继续学习，以下是一些不错的下一步资源：

• Pandas 中的 SettingWithCopyWarning：如何修复该警告
• 课程：Data Manipulation with pandas
• 课程：Writing Efficient Code with pandas
• 速查表：用 pandas 进行数据整形
• 速查表：用 pandas 重塑数据