¿Alguien puede explicar cómo estos tres métodos de corte son diferentes?
He visto los documentos y he visto estas respuestas , pero todavía no puedo explicar en qué se diferencian los tres. Para mí, parecen intercambiables en gran parte, porque están en los niveles más bajos de corte.
Por ejemplo, digamos que queremos obtener las primeras cinco filas de un DataFrame
. ¿Cómo es que estos tres funcionan?
df.loc[:5] df.ix[:5] df.iloc[:5]
¿Puede alguien presentar tres casos donde la distinción en usos es más clara?
Nota: en pandas versión 0.20.0 y superior, ix
está en desuso y se recomienda el uso de loc
e iloc
. He dejado las partes de esta respuesta que describen ix
intacto como referencia para los usuarios de versiones anteriores de pandas. A continuación se han agregado ejemplos que muestran alternativas a ix
.
Primero, aquí hay un resumen de los tres métodos:
loc
obtiene filas (o columnas) con tags particulares del índice. iloc
obtiene filas (o columnas) en posiciones particulares en el índice (por lo que solo toma números enteros). ix
generalmente intenta comportarse como loc
pero vuelve a comportarse como iloc
si una etiqueta no está presente en el índice. Es importante tener en cuenta algunas sutilezas que pueden hacer que ix
poco difícil de usar:
Si el índice es de tipo entero, ix
solo utilizará la indexación basada en tags y no volverá a la indexación basada en la posición. Si la etiqueta no está en el índice, se genera un error.
Si el índice no contiene solo números enteros, entonces, dado un entero, ix
utilizará de inmediato la indexación basada en la posición en lugar de la indexación basada en tags. Sin embargo, si a ix
se le asigna otro tipo (por ejemplo, una cadena), puede utilizar la indexación basada en tags.
Para ilustrar las diferencias entre los tres métodos, considere la siguiente serie:
>>> s = pd.Series(np.nan, index=[49,48,47,46,45, 1, 2, 3, 4, 5]) >>> s 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN 4 NaN 5 NaN
Veremos el corte con el valor entero 3
.
En este caso, s.iloc[:3]
nos devuelve las primeras 3 filas (ya que trata a 3 como una posición) y s.loc[:3]
nos devuelve las primeras 8 filas (ya que trata a 3 como una etiqueta):
>>> s.iloc[:3] # slice the first three rows 49 NaN 48 NaN 47 NaN >>> s.loc[:3] # slice up to and including label 3 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN >>> s.ix[:3] # the integer is in the index so s.ix[:3] works like loc 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN 2 NaN 3 NaN
El aviso s.ix[:3]
devuelve la misma serie que s.loc[:3]
ya que busca la etiqueta primero en lugar de trabajar en la posición (y el índice para s
es de tipo entero).
¿Qué pasa si intentamos con una etiqueta entera que no está en el índice (digamos 6
)?
Aquí s.iloc[:6]
devuelve las primeras 6 filas de la Serie como se esperaba. Sin embargo, s.loc[:6]
genera un error KeyError ya que 6
no está en el índice.
>>> s.iloc[:6] 49 NaN 48 NaN 47 NaN 46 NaN 45 NaN 1 NaN >>> s.loc[:6] KeyError: 6 >>> s.ix[:6] KeyError: 6
Según las sutilezas mencionadas anteriormente, s.ix[:6]
ahora genera un KeyError porque intenta funcionar como loc
pero no puede encontrar un 6
en el índice. Debido a que nuestro índice es de tipo entero, ix
no vuelve a comportarse como iloc
.
Sin embargo, si nuestro índice fuera de tipo mixto, dado un entero, ix
se comportaría como iloc
inmediatamente en lugar de generar un KeyError:
>>> s2 = pd.Series(np.nan, index=['a','b','c','d','e', 1, 2, 3, 4, 5]) >>> s2.index.is_mixed() # index is mix of different types True >>> s2.ix[:6] # now behaves like iloc given integer a NaN b NaN c NaN d NaN e NaN 1 NaN
Tenga en cuenta que ix
todavía puede aceptar no enteros y comportarse como loc
:
>>> s2.ix[:'c'] # behaves like loc given non-integer a NaN b NaN c NaN
Como consejo general, si solo está indexando usando tags, o solo indexando usando posiciones enteras, iloc
con loc
o iloc
para evitar resultados inesperados – intente no usar ix
.
A veces, dado un dataframe, deseará mezclar métodos de indexación de tags y posicionales para las filas y columnas.
Por ejemplo, considere el siguiente DataFrame. ¿Cuál es la mejor manera de dividir las filas hasta e incluir ‘c’ y tomar las primeras cuatro columnas?
>>> df = pd.DataFrame(np.nan, index=list('abcde'), columns=['x','y','z', 8, 9]) >>> df xyz 8 9 a NaN NaN NaN NaN NaN b NaN NaN NaN NaN NaN c NaN NaN NaN NaN NaN d NaN NaN NaN NaN NaN e NaN NaN NaN NaN NaN
En versiones anteriores de pandas (antes de 0.20.0) ix
permite hacer esto de manera ordenada: podemos dividir las filas por etiqueta y las columnas por posición (tenga en cuenta que para las columnas, ix
se establecerá de manera predeterminada en el corte basado en posición, ya que 4
no es un nombre de columna):
>>> df.ix[:'c', :4] xyz 8 a NaN NaN NaN NaN b NaN NaN NaN NaN c NaN NaN NaN NaN
En versiones posteriores de pandas, podemos lograr este resultado utilizando iloc
y la ayuda de otro método:
>>> df.iloc[:df.index.get_loc('c') + 1, :4] xyz 8 a NaN NaN NaN NaN b NaN NaN NaN NaN c NaN NaN NaN NaN
get_loc()
es un método de índice que significa “obtener la posición de la etiqueta en este índice”. Tenga en cuenta que dado que cortar con iloc
es exclusivo de su punto final, debemos agregar 1 a este valor si también queremos la fila ‘c’.
Hay más ejemplos en la documentación de los pandas aquí .
iloc
trabaja basado en posicionamiento entero. Así que no importa cuáles sean las tags de sus filas, siempre puede, por ejemplo, obtener la primera fila haciendo
df.iloc[0]
o las últimas cinco filas haciendo
df.iloc[-5:]
También puedes usarlo en las columnas. Esto recupera la tercera columna:
df.iloc[:, 2] # the : in the first position indicates all rows
Puedes combinarlos para obtener intersecciones de filas y columnas:
df.iloc[:3, :3] # The upper-left 3 X 3 entries (assuming df has 3+ rows and columns)
Por otro lado, .loc
utiliza índices denominados. Vamos a configurar un dataframe con cadenas como tags de fila y columna:
df = pd.DataFrame(index=['a', 'b', 'c'], columns=['time', 'date', 'name'])
Entonces podemos obtener la primera fila por
df.loc['a'] # equivalent to df.iloc[0]
y las segundas dos filas de la columna 'date'
por
df.loc['b':, 'date'] # equivalent to df.iloc[1:, 1]
y así. Ahora, probablemente vale la pena señalar que los índices de fila y columna predeterminados para un DataFrame
son números enteros de 0 y en este caso, iloc
y loc
funcionarán de la misma manera. Por eso tus tres ejemplos son equivalentes. Si tuviera un índice no numérico, como cadenas o df.loc[:5]
, df.loc[:5]
generaría un error.
Además, puede realizar la recuperación de columnas simplemente utilizando el __getitem__
del dataframe:
df['time'] # equivalent to df.loc[:, 'time']
Ahora suponga que desea mezclar la posición y la indexación con nombre, es decir, la indexación utilizando nombres en filas y posiciones en columnas (para aclarar, me refiero a seleccionar de nuestro dataframe, en lugar de crear un dataframe con cadenas en el índice de fila y enteros en el índice de la columna). Aquí es donde entra el .ix
:
df.ix[:2, 'time'] # the first two rows of the 'time' column
Creo que también vale la pena mencionar que también puedes pasar vectores booleanos al método loc
. Por ejemplo:
b = [True, False, True] df.loc[b]
Volverá la 1ª y 3ª fila de df
. Esto es equivalente a df[b]
para la selección, pero también se puede usar para la asignación a través de vectores booleanos:
df.loc[b, 'name'] = 'Mary', 'John'
En mi opinión, la respuesta aceptada es confusa, ya que utiliza un DataFrame con solo valores faltantes. Tampoco me gusta el término basado en la posición para .iloc
y, en cambio, prefiero la ubicación de enteros, ya que es mucho más descriptivo y exactamente lo que significa .iloc
. La palabra clave es INTEGER – .iloc
necesita INTEGERS.
Ver mi serie de blog extremadamente detallada sobre la selección de subconjuntos para más
Como .ix
está en desuso, solo nos enfocaremos en las diferencias entre .loc
y .iloc
.
Antes de hablar sobre las diferencias, es importante comprender que los DataFrames tienen tags que ayudan a identificar cada columna y cada índice. Echemos un vistazo a un DataFrame de muestra:
df = pd.DataFrame({'age':[30, 2, 12, 4, 32, 33, 69], 'color':['blue', 'green', 'red', 'white', 'gray', 'black', 'red'], 'food':['Steak', 'Lamb', 'Mango', 'Apple', 'Cheese', 'Melon', 'Beans'], 'height':[165, 70, 120, 80, 180, 172, 150], 'score':[4.6, 8.3, 9.0, 3.3, 1.8, 9.5, 2.2], 'state':['NY', 'TX', 'FL', 'AL', 'AK', 'TX', 'TX'] }, index=['Jane', 'Nick', 'Aaron', 'Penelope', 'Dean', 'Christina', 'Cornelia'])
Todas las palabras en negrita son las tags. Las tags, age
, color
, food
, height
, score
y state
se utilizan para las columnas . Las otras tags, Jane
, Nick
, Aaron
, Penelope
, Dean
, Christina
, Cornelia
se utilizan para el índice .
Las formas principales de seleccionar filas particulares en un DataFrame son con los indizadores .loc
y .iloc
. Cada uno de estos indexadores también se puede usar para seleccionar columnas simultáneamente, pero es más fácil concentrarse en las filas por ahora. Además, cada uno de los indexadores usa un conjunto de corchetes que siguen inmediatamente a su nombre para hacer sus selecciones.
Primero hablaremos sobre el indexador .loc
que solo selecciona datos por el índice o las tags de columna. En nuestro DataFrame de muestra, proporcionamos nombres significativos como valores para el índice. Muchos DataFrames no tendrán nombres significativos y, en su lugar, predeterminarán solo los números enteros de 0 a n-1, donde n es la longitud del DataFrame.
Hay tres entradas diferentes que puedes usar para .loc
Seleccionando una sola fila con .loc con una cadena
Para seleccionar una sola fila de datos, coloque la etiqueta de índice dentro de los corchetes que siguen a .loc
.
df.loc['Penelope']
Esto devuelve la fila de datos como una serie.
age 4 color white food Apple height 80 score 3.3 state AL Name: Penelope, dtype: object
Seleccionando múltiples filas con .loc con una lista de cadenas
df.loc[['Cornelia', 'Jane', 'Dean']]
Esto devuelve un DataFrame con las filas en el orden especificado en la lista:
Seleccionando múltiples filas con .loc con notación de segmento
La notación de corte se define mediante los valores de inicio, parada y paso. Cuando se corta por etiqueta, pandas incluye el valor de parada en la devolución. Las siguientes rebanadas de Aaron a Dean, inclusive. El tamaño de su paso no está definido explícitamente, pero está predeterminado en 1.
df.loc['Aaron':'Dean']
Los cortes complejos se pueden tomar de la misma manera que las listas de Python.
Vamos ahora a .iloc
. Cada fila y columna de datos en un DataFrame tiene una ubicación entera que lo define. Esto es además de la etiqueta que se muestra visualmente en la salida . La ubicación de enteros es simplemente el número de filas / columnas desde la parte superior / izquierda que comienza en 0.
Hay tres entradas diferentes que puedes usar para .iloc
Seleccionando una sola fila con .iloc con un entero
df.iloc[4]
Esto devuelve la quinta fila (ubicación de entero 4) como una serie
age 32 color gray food Cheese height 180 score 1.8 state AK Name: Dean, dtype: object
Seleccionando múltiples filas con .iloc con una lista de enteros
df.iloc[[2, -2]]
Esto devuelve un DataFrame de la tercera y segunda a las últimas filas:
Seleccionando múltiples filas con .iloc con notación de corte
df.iloc[:5:3]
Una excelente capacidad de ambos .loc/.iloc
es su capacidad para seleccionar filas y columnas simultáneamente. En los ejemplos anteriores, todas las columnas se devolvieron de cada selección. Podemos elegir columnas con los mismos tipos de entradas que hacemos para las filas. Simplemente necesitamos separar la selección de filas y columnas con una coma .
Por ejemplo, podemos seleccionar las filas Jane y Dean con solo la altura de las columnas, la puntuación y el estado de esta manera:
df.loc[['Jane', 'Dean'], 'height':]
Esto utiliza una lista de tags para las filas y notación de división para las columnas
Naturalmente, podemos hacer operaciones similares con .iloc
usando solo números enteros.
df.iloc[[1,4], 2] Nick Lamb Dean Cheese Name: food, dtype: object
.ix
se usó para hacer selecciones simultáneamente con tags y ubicación de enteros que fue útil pero confuso y ambiguo a veces y afortunadamente ha sido desaprobado. En el caso de que necesite realizar una selección con una combinación de tags y ubicaciones de enteros, deberá realizar ambas tags de selecciones o ubicaciones de enteros.
Por ejemplo, si queremos seleccionar las filas Nick
y Cornelia
junto con las columnas 2 y 4, podríamos usar .loc
al convertir los enteros en tags con lo siguiente:
col_names = df.columns[[2, 4]] df.loc[['Nick', 'Cornelia'], col_names]
O alternativamente, convierta las tags de índice en enteros con el método de índice get_loc
.
labels = ['Nick', 'Cornelia'] index_ints = [df.index.get_loc(label) for label in labels] df.iloc[index_ints, [2, 4]]
El indexador .loc también puede hacer selección booleana. Por ejemplo, si estamos interesados en encontrar todas las filas en las que la edad es superior a 30 y devolver solo las columnas de food
y score
, podemos hacer lo siguiente:
df.loc[df['age'] > 30, ['food', 'score']]
Puede replicar esto con .iloc
pero no puede pasarle una serie booleana. Debes convertir la serie booleana en una matriz numpy como esta:
df.iloc[(df['age'] > 30).values, [2, 4]]
Es posible usar .loc/.iloc
solo para la selección de la columna. Puedes seleccionar todas las filas usando dos puntos como este:
df.loc[:, 'color':'score':2]
[]
, puede seleccionar filas y columnas también pero no simultáneamente. La mayoría de las personas están familiarizadas con el propósito principal del operador de indexación de DataFrame, que es seleccionar columnas. Una cadena selecciona una sola columna como Serie y una lista de cadenas selecciona varias columnas como un Marco de datos.
df['food'] Jane Steak Nick Lamb Aaron Mango Penelope Apple Dean Cheese Christina Melon Cornelia Beans Name: food, dtype: object
Usando una lista selecciona múltiples columnas
df[['food', 'score']]
Con lo que las personas están menos familiarizadas, es que, cuando se usa la notación de sector, la selección se realiza por tags de fila o por ubicación de enteros. Esto es muy confuso y algo que casi nunca uso pero funciona.
df['Penelope':'Christina'] # slice rows by label
df[2:6:2] # slice rows by integer location
La .loc/.iloc
explícita de .loc/.iloc
para seleccionar filas es altamente preferida. El operador de indexación solo no puede seleccionar filas y columnas simultáneamente.
df[3:5, 'color'] TypeError: unhashable type: 'slice'
Déjenme decirles que ix estaba en las versiones anteriores de pandas. E iloc y loc están incorporadas en sus últimas versiones.
df.ix[:2, 'time']
Ahora ven a loc.
df.loc[:, 'color':'score':2]
Ahora para iloc.
df.iloc[[1,4], 2]