Pandas DataFrame iloc Egenskab

Denpandas ilocegenskab er en funktion, der bruges til at indeksere og få adgang til specifikke data i enDataFramei Python ved hjælp af en numerisk placering. Ved at bruge iloc kan vi udføre forskellige operationer på vores data, såsom at vælge bestemte rækker og kolonner eller anvende filtrering og manipulation.

Hvad er iloc i Python?

I Python erilocen metode, der bruges ipandasbiblioteket til at indeksere og få adgang til data i enDataFrame. DataFrame er en to-dimensionel datastruktur, der organiserer data i tabelformat med rækker og kolonner.

iloc er en numerisk baseret indekseringsmetode, hvilket betyder, at vi bruger tal til at identificere og få adgang til bestemte rækker og kolonner i en DataFrame. Dette adskiller sig fra den mere almindelige label-baserede indeksering, der bruger navne til at henvise til data.

Sådan bruger du iloc i Python?

For at bruge iloc i Python skal du først importere pandas-biblioteket ved at bruge følgende kode:

import pandas as pd

Derefter kan du oprette en DataFrame ved at indlæse data fra en fil eller manuelt oprette den. Her er et eksempel på oprettelse af en simpel DataFrame:

data = {Navn: [Peter, Lise, Morten, Sofie], Alder: [28, 32, 45, 19], By: [København, Aarhus, Aalborg, Odense]} df = pd.DataFrame(data)

Denne kode skaber en DataFrame med tre kolonner: Navn, Alder og By.

Vælge specifikke rækker og kolonner

En af de mest almindelige anvendelser af iloc er at vælge specifikke rækker og kolonner i en DataFrame. Du kan bruge iloc ved hjælp af følgende syntaks:

df.iloc[row_index, column_index]

Her er et eksempel, der viser, hvordan man vælger den første række og den anden kolonne:

df.iloc[0, 1]

Dette vil returnere værdien 28, som er elementet i første række og anden kolonne i DataFrame.

Filtrering af data

Med iloc kan du også filtrere data ud fra bestemte kriterier. For eksempel kan du bruge følgende kode til at filtrere alle personer, der er ældre end 30 år:

df[df[Alder] >30]

Dette vil returnere en ny DataFrame, der kun indeholder rækker, hvor alderen er større end 30.

Opdatering af data

Du kan også bruge iloc til at opdatere værdier i DataFrame. Her er et eksempel, der viser, hvordan man opdaterer alderen for den første person:

df.iloc[0, 1] = 30

Dette vil ændre alderen for den første person til 30.

Eksempel på brug af iloc

Her er et komplet eksempel på, hvordan man bruger iloc til at vælge specifikke rækker og kolonner i en DataFrame:

import pandas as pddata = {Navn: [Peter, Lise, Morten, Sofie], Alder: [28, 32, 45, 19], By: [København, Aarhus, Aalborg, Odense]}df = pd.DataFrame(data)# Vælg den første række og den anden kolonneværdi = df.iloc[0, 1]# Filtrer data for personer over 30 årfiltreret_df = df[df[Alder] >30]# Opdater alderen for den første persondf.iloc[0, 1] = 30

Konklusion

Pandas iloc egenskaben giver os mulighed for at indeksere og få adgang til specifikke data i en DataFrame ved hjælp af numerisk indeksering. Vi kan vælge specifikke rækker og kolonner, filtrere data og opdatere værdier inden for vores DataFrame ved hjælp af iloc. Dette giver os en fleksibel og kraftfuld måde at arbejde med data på i Python ved hjælp af pandas biblioteket.

Andre populære artikler: HTML pattern attributten • Data Science – Brug af Python til datavidenskab • CSS max-height property • MySQL NULLIF() Funktion • Drag Events • Introduktion • Specialisering i AWS Fundamentals • CSS color property • PostgreSQL – Operators • Generative AI Tutorial – En dybdegående guide til generativ kunstig intelligens • Python Type Conversion • Pandas DataFrame apply() Metoden • W3Schools CSS text-overflow demonstration • HTML dt-tag • Vue Scoped Slots: En dybdegående guide til $scopedSlots i Vue.js • Introduktion • Angular Validering: Dybdegående Guide til Formvalidering i Angular • NumPy Data Typer • CSS Background Image – Sådan tilføjes et baggrundsbillede i CSS • JavaScript DOM-samlinger