Python loc如何知道在设置值时更新哪一行？

我想了解

loc

是如何工作的。

loc

的目的是通过标签搜索获取行。但是在上面的代码中，它似乎迭代每一行，并在布尔值为真的新列中插入-1？它是否进行标签搜索？

数据帧上唯一的“真实”索引是位置索引（对应于底层结构的0索引值）

因此，

loc

始终必须“将可能基于标签的密钥转换为位置索引器”

---

从引擎盖下走出来，上面的文档明确允许：

• 单个标签，例如5或“A”（请注意，5被解释为索引的标签，而不是索引上的整数位置）

• 标签的列表或数组，如[A]、[b]、[c']

• 带有标签的切片对象，例如“A”：“f”

• 与被切片轴长度相同的布尔数组，例如[True，False，True]

• 可对齐的布尔级数。键的索引将在屏蔽前对齐

• 可对齐的索引。返回选择的索引将作为输入

• 一个可调用函数，具有一个参数（调用序列或数据帧），并返回有效的索引输出（上述参数之一）

---

loc

的好处在于它非常灵活，特别是能够将其与其他操作链接起来：

见：

使用筛选可以写为：

Discount
0     2800
10    1852
20    5000
40     500
Name: MRP, dtype: int64

loc

的另一个巨大好处是它能够索引两个维度：

Discount
0     2800
10    1852
20    5000
Name: MRP, dtype: int64

TLDR；

loc

的威力在于它能够将各种输入转换为位置输入，而缺点是转换的开销。

数据帧上唯一的“真实”索引是位置索引（对应于底层结构的0索引值）

因此，

loc

始终必须“将可能基于标签的密钥转换为位置索引器”

---

从引擎盖下走出来，上面的文档明确允许：

• 单个标签，例如5或“A”（请注意，5被解释为索引的标签，而不是索引上的整数位置）

• 标签的列表或数组，如[A]、[b]、[c']

• 带有标签的切片对象，例如“A”：“f”

• 与被切片轴长度相同的布尔数组，例如[True，False，True]

• 可对齐的布尔级数。键的索引将在屏蔽前对齐

• 可对齐的索引。返回选择的索引将作为输入

• 一个可调用函数，具有一个参数（调用序列或数据帧），并返回有效的索引输出（上述参数之一）

---

loc

的好处在于它非常灵活，特别是能够将其与其他操作链接起来：

见：

使用筛选可以写为：

Discount
0     2800
10    1852
20    5000
40     500
Name: MRP, dtype: int64

loc

的另一个巨大好处是它能够索引两个维度：

Discount
0     2800
10    1852
20    5000
Name: MRP, dtype: int64

---

TLDR；

loc

的威力在于它能够将各种输入转换为位置输入，而缺点是转换的开销。

国家文件的第一行：

按标签或布尔数组访问一组行和列

.loc[]

主要基于标签，但也可以与布尔数组一起使用

让我们看看表达式

df.MRP>=1500

。这是一个与数据帧具有相同索引的布尔序列：

    Product   MRP  Discount
0  Umbrella  1200       0.0
1       NaN  1500       NaN
2       NaN  1600       NaN
3   Shuttle   352      10.0
4       NaN  5000       NaN
5  Football   500      40.0

因此，很明显，至少有一个与标签匹配的机会。移除标签时会发生什么情况

>>> df.MRP >= 1500
0    False
1     True
2     True
3    False
4     True
5    False
Name: MRP, dtype: bool

因此，当标签不可用时，

.loc

将使用数据帧的顺序。这是有道理的。但当标签不匹配时，它是否使用顺序或标签

制作一个系列，如

df.MRP>=1500

，但不按顺序查看所选内容：

>>> df.loc[(df.MRP >= 1500).to_numpy(), "Discount"]

1    10
2     0
4    20
Name: Discount, dtype: int64

显然，当可用的标签匹配发生时。如果不可用，则使用订单：

>>> ind1 = pd.Series([True, True, True, False, False, False], index=[1, 2, 4, 0, 3, 5])
>>> df.loc[ind1, "Discount"]
1    10
2     0
4    20
Name: Discount, dtype: int64

另一个有趣的点是，索引表达式的标签必须是超集，而不是数据帧索引的子集。例如，如果将

ind

缩短一个元素，则会发生以下情况：

>>> df.loc[ind1.to_numpy(), "Discount"]
0     0
1    10
2     0
Name: Discount, dtype: int64

及

在进行标签匹配时添加额外元素是可以的，但是：

>>> df.loc[ind2.to_numpy(), "Discount"]
...
IndexError: Boolean index has wrong length: 5 instead of 6

请注意，索引

6

处的元素不在数据帧中，在输出中被忽略

当然，如果没有标签，较长的阵列也不可接受：

>>> ind3 = pd.Series([True, True, True, False, False, False, True], index=[1, 2, 4, 0, 3, 5, 6])
>>> df.loc[ind3, "Discount"]
1    10
2     0
4    20
Name: Discount, dtype: int64

---

国家文件的第一行：

按标签或布尔数组访问一组行和列

.loc[]

主要基于标签，但也可以与布尔数组一起使用

让我们看看表达式

df.MRP>=1500

。这是一个与数据帧具有相同索引的布尔序列：

    Product   MRP  Discount
0  Umbrella  1200       0.0
1       NaN  1500       NaN
2       NaN  1600       NaN
3   Shuttle   352      10.0
4       NaN  5000       NaN
5  Football   500      40.0

因此，很明显，至少有一个与标签匹配的机会。移除标签时会发生什么情况

>>> df.MRP >= 1500
0    False
1     True
2     True
3    False
4     True
5    False
Name: MRP, dtype: bool

因此，当标签不可用时，

.loc

将使用数据帧的顺序。这是有道理的。但当标签不匹配时，它是否使用顺序或标签

制作一个系列，如

df.MRP>=1500

，但不按顺序查看所选内容：

>>> df.loc[(df.MRP >= 1500).to_numpy(), "Discount"]

1    10
2     0
4    20
Name: Discount, dtype: int64

显然，当可用的标签匹配发生时。如果不可用，则使用订单：

>>> ind1 = pd.Series([True, True, True, False, False, False], index=[1, 2, 4, 0, 3, 5])
>>> df.loc[ind1, "Discount"]
1    10
2     0
4    20
Name: Discount, dtype: int64

另一个有趣的点是，索引表达式的标签必须是超集，而不是数据帧索引的子集。例如，如果将

ind

缩短一个元素，则会发生以下情况：

>>> df.loc[ind1.to_numpy(), "Discount"]
0     0
1    10
2     0
Name: Discount, dtype: int64

及

在进行标签匹配时添加额外元素是可以的，但是：

>>> df.loc[ind2.to_numpy(), "Discount"]
...
IndexError: Boolean index has wrong length: 5 instead of 6

注意，索引

6

处的元素不在数据帧中，在输出中被忽略