Loc vs Iloc, At vs Iat : comment choisir la bonne méthode d'extraction de données dans Pandas ?

Options d'extraction de données chez les pandas : loc, iloc, at et iat

Comprendre la localisation et la sélection des cellules chez les pandas peut être difficile, en particulier en tant que nouvel utilisateur Python venant de R. Ce guide vise à clarifier les différences pratiques entre les différentes options : .loc, .iloc, .at et .iat.

Quand utiliser loc vs. iloc

• .loc: Accède aux données par étiquette (index de ligne et de colonne). Idéal pour travailler avec des données qui ont des noms ou des catégories significatives comme indices.
• .iloc : Accède aux données par position (basé sur des nombres entiers). Utile pour extraire des lignes ou des colonnes spécifiques en fonction de leurs indices numériques.

Exemple :

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# Access value at row index 'C' and column index 'A' using .loc (label)
value1 = df.loc['C', 'A']  # Error, as 'C' is not a valid row index

# Access value at row index 2 and column index 0 using .iloc (integer)
value2 = df.iloc[2, 0]  # Returns 3

Quand utiliser at vs. iat

• .at : Récupère une seule valeur scalaire par étiquette (similaire à .loc).
• .iat : Récupère une seule valeur scalaire par position (similaire à .iloc).

.at et .iat sont tous deux optimisés pour un accès rapide à des valeurs uniques, ce qui les rend plus efficaces que .loc ou .iloc pour les opérations scalaires .

Exemple :

value3 = df.at['B', 'A']  # Returns 4 using label-based indexing
value4 = df.iat[1, 0]  # Returns 2 using position-based indexing

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!