Python 熊猫选择栏目-最佳习惯和表现

有许多不同的方法可以选择.DataFrame中的列（行也是如此）。我想知道这是否有什么不同，是否有任何性能和风格的建议

例如，如果我有如下数据帧：

import pandas as pd
import numpy as np

df = pd.DataFrame(data=np.random.random((10,4)), columns=['a','b','c','d'])
df.head()

有许多不同的选择方式，例如，列

d

• 1）

  df['d']

• 2）

  df.loc[：，'d']

  （其中

  df.loc[行索引器，列索引器]

  ）
• 3）

  df.loc[：]['d']

• 4）

  df.ix[：]['d']

• 5）

  df.ix[：，'d']

---

直观地说，我更喜欢2），可能是因为我已经习惯了numpy的

[row\u indexer，column\u indexer]

风格，我会使用

ipython

的神奇函数

%timeit

来找出最佳性能的方法。 结果是：

%timeit df['d']
100000 loops, best of 3: 5.35 µs per loop

%timeit df.loc[:,'d']
10000 loops, best of 3: 44.3 µs per loop

%timeit df.loc[:]['d']
100000 loops, best of 3: 12.4 µs per loop

%timeit df.ix[:]['d']
100000 loops, best of 3: 10.4 µs per loop

%timeit df.ix[:,'d']
10000 loops, best of 3: 53 µs per loop

---

事实证明，第一种方法比其他方法快得多。

谢谢！我觉得很奇怪，

[：，'e']

和

[：]['e']

df之间有如此大的差异。loc[：]是df

。因此

df.loc[：]['d']

本质上是

df['d']

，额外的开销是

df.loc[：]

。我想强调的是，像

df.loc[：]['d']

这样的“链式索引”是不推荐的！看见对于访问行来说，这没有问题，但是当您同时分配给它时，在某些情况下，这可能是一个问题。