Python 熊猫数据帧的矩阵(位置)索引
假设我有以下数据帧:Python 熊猫数据帧的矩阵(位置)索引,python,pandas,Python,Pandas,假设我有以下数据帧: tmp = np.random.randn(10,4) df = pd.DataFrame(tmp, index=pd.date_range('1/1/2012', periods=tmp.shape[0]), columns=['A', 'B', 'C', 'D']) > b A B C D 2012-01-01 0.471846 1.13
tmp = np.random.randn(10,4)
df = pd.DataFrame(tmp, index=pd.date_range('1/1/2012', periods=tmp.shape[0]),
columns=['A', 'B', 'C', 'D'])
> b
A B C D
2012-01-01 0.471846 1.130041 -0.614117 0.882738
2012-01-02 -1.431566 0.680617 -0.615331 0.288740
2012-01-03 0.398567 -0.115388 -0.869855 -1.273666
2012-01-04 0.379501 0.192329 -1.942184 0.694004
2012-01-05 1.306329 -0.803856 0.417033 -0.655907
2012-01-06 -0.599877 0.696549 -0.252789 1.367977
2012-01-07 -1.618916 0.216571 -0.499880 0.386853
2012-01-08 0.415002 0.139775 0.251842 0.021379
2012-01-09 2.536787 0.737672 -0.740485 -0.890189
2012-01-10 -1.553530 -0.100950 -0.237478 -0.295612
我怎样做:
[1,2]
中索引子数据帧(以numpy“矩阵”表示法)。输出应为:
C
2012-01-02 -0.615331
B
2012-01-02 -0.615331
2012-01-03 -0.869855
我试过以下三种方法,但都不管用:
df[1,2]
df[1][2]
df.take([1])[2]
唯一有效的方法似乎是:
df.ix[1,2]
df.irow(1)[2]
但是:
- 使用
进行位置索引是危险的,因为如果我的索引是整数(与上述情况中的日期相反),它将默认为标签索引。请在此处查看有关此的详细信息:.ix
- 使用
很麻烦,因为它需要从irow
表示法切换到()
表示法([]
返回一个irow
对象)系列
[1:3,2:3]
中的元素进行索引。输出应为:
C
2012-01-02 -0.615331
B
2012-01-02 -0.615331
2012-01-03 -0.869855
请注意,我排除了停止指数(即,我坚持numpy符号)
有什么想法吗?这项经常被要求的功能很快就会到位
如果您想用它进行测试,可以将其从分支上拔下这一经常要求的功能很快就会到位 如果您想使用它进行测试,您可以将其从分支中拔出这里有一个解决方法(直到提交所提到的特性请求@Jeff): 这表明,即使使用无序整数索引,语法的工作方式也是相同的:
In [206]: df2 = df.reset_index(drop=True)
In [207]: index = range(10)
In [208]: import random
In [209]: random.shuffle(index)
In [210]: df2.index = index
In [212]: df2.ix[df2.index[1], df2.columns[2]]
Out[212]: -0.3021434106214243
In [213]: df2.ix[df2.index[1:3], df2.columns[2:3]]
Out[213]:
C
7 -0.302143
2 -1.430387
以下是一个解决方法(直到提交@Jeff提到的功能请求):
这表明,即使使用无序整数索引,语法的工作方式也是相同的:
In [206]: df2 = df.reset_index(drop=True)
In [207]: index = range(10)
In [208]: import random
In [209]: random.shuffle(index)
In [210]: df2.index = index
In [212]: df2.ix[df2.index[1], df2.columns[2]]
Out[212]: -0.3021434106214243
In [213]: df2.ix[df2.index[1:3], df2.columns[2:3]]
Out[213]:
C
7 -0.302143
2 -1.430387
从pandas文档中: Pandas提供了一套方法,以获得纯粹基于整数的索引。语义与python和numpy切片密切相关。这些是基于0的索引。切片时,包括起始边界,而排除上限。尝试使用非整数时,即使是有效的标签也会引发索引器错误 .iloc属性是主要的访问方法。以下是有效的输入: 整数,例如5 整数的列表或数组[4,3,0]
pandas文档中ints为1:7的切片对象: Pandas提供了一套方法,以获得纯粹基于整数的索引。语义与python和numpy切片密切相关。这些是基于0的索引。切片时,包括起始边界,而排除上限。尝试使用非整数时,即使是有效的标签也会引发索引器错误 .iloc属性是主要的访问方法。以下是有效的输入: 整数,例如5 整数的列表或数组[4,3,0]
整数为1:7的切片对象这样的东西怎么样<代码>df.as_矩阵()[1:3,2:3]。您需要结果来保留所有数据帧元信息吗?谢谢@Zelazny7。这很好,但是是的,我真的很想保留数据帧元信息。像这样的东西怎么样<代码>df.as_矩阵()[1:3,2:3]。您需要结果来保留所有数据帧元信息吗?谢谢@Zelazny7。这很好,但是是的,我真的希望保留DataFrame元信息。.ix是正确的解决方案,因为您的帧在索引方案中没有任何歧义,使用整数将按照您的预期反应,例如通过numpy/python语义进行位置索引(只有当你有一个本身由整数组成的索引时,这是一个问题)。ix是正确的解决方案,因为你的框架在索引方案中没有任何歧义,使用整数将按照你的预期反应,例如通过numpy/python语义进行位置索引(只有当u的索引本身由整数组成时,这才是一个问题)