print(df.at['Bob', 'age'])
print(df.at['Dave', 'state'])
df.at['Bob', 'age'] = 60
print(df.at['Bob', 'age'])
iat通过行号和列号指定位置。行号和列号以0开头。
iat和at一样，iat不仅可以获取数据，而且可以在该位置设置（替代）新值。
print(df.iat[1, 0])
print(df.iat[3, 1])
df.iat[1, 0] = 42
print(df.iat[1, 0])
loc，iloc：选择，获取和更改单个和多个元素的值
loc和iloc通过指定范围不仅可以选择单个值，还可以选择多个数据。
loc通过行和列标签指定位置，而iloc通过行和列编号指定位置。
选择单个元素的值
访问单个值时，它与at和iat相同。 但at和iat的处理速度更快。
print(df.loc['Bob', 'age'])
print(df.iloc[3, 1])
除了查看数据外，还可以在该位置设置（替换）新值。
df.loc['Bob', 'age'] = 60
print(df.loc['Bob', 'age'])
df.iloc[1, 0] = 42
print(df.iloc[1, 0])
选择多个元素值
要访问多个值，在列表[x，y]或切片[start:stop:step]中指定数据的范围和位置。引用的值将是pandas.Series或pandas.DataFrame。
切片的写入方式与普通切片相同。step可以省略。
print(df.loc['Bob':'Dave', 'age'])
print(type(df.loc['Bob':'Dave', 'age']))
# name
# Bob 42
# Charlie 18
# Dave 68
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>
print(df.loc[:'Dave', ['age', 'point']])
print(type(df.loc[:'Dave', 'age':'point']))
# age point
# name
# Alice 24 64
# Bob 42 92
# Charlie 18 70
# Dave 68 70
# <class 'pandas.core.frame.DataFrame'>
print(df.iloc[:3, [0, 2]])
print(type(df.iloc[:3, [0, 2]]))
# age point
# name
# Alice 24 64
# Bob 42 92
# Charlie 18 70
# <class 'pandas.core.frame.DataFrame'>
如果指定了step，则可以提取并获取奇数或偶数行。
print(df.iloc[::2, 0])
print(type(df.iloc[::2, 0]))
# name
# Alice 24
# Charlie 18
# Ellen 24
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>
print(df.iloc[1::2, 0])
print(type(df.iloc[1::2, 0]))
# name
# Bob 42
# Dave 68
# Frank 30
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>
可以一次更改多个值。
print(df.loc['Bob':'Dave', 'age'])
# name
# Bob 20
# Charlie 30
# Dave 40
# Name: age, dtype: int64
选择行/列
若要选择行或列，可以使用直接索引引用df []，但只能在以下指定方法中使用。
- 行选择：行名和行号的切片
- 列选择：列名称或列名称列表
print(df['Bob':'Ellen'])
# age state point
# name
# Bob 20 CA 92
# Charlie 30 CA 70
# Dave 40 TX 70
# Ellen 24 CA 88
print(df[:3])
# age state point
# name
# Alice 24 NY 64
# Bob 20 CA 92
# Charlie 30 CA 70
print(df['age'])
# name
# Alice 24
# Bob 20
# Charlie 30
# Dave 40
# Ellen 24
# Frank 30
# Name: age, dtype: int64
print(df[['age', 'point']])
# age point
# name
# Alice 24 64
# Bob 20 92
# Charlie 30 70
# Dave 40 70
# Ellen 24 88
# Frank 30 57
当使用loc和iloc选择行或列时，可以比索引参考df []更灵活地指定它。
在loc和iloc中省略该列，则它将是行引用。可以选择无法通过索引引用完成的单行，也可以选择列表中的多行。
print(df.loc['Bob'])
print(type(df.loc['Bob']))
# age 20
# state CA
# point 92
# Name: Bob, dtype: object
# <class 'pandas.core.series.Series'>
print(df.iloc[[1, 4]])
print(type(df.iloc[[1, 4]]))
# age state point
# name
# Bob 20 CA 92
# Ellen 24 CA 88
# <class 'pandas.core.frame.DataFrame'>
可以通过将行规范设置为loc和iloc中的（整个切片）来引用列。可以使用索引引用无法完成的切片。也可以在iloc中使用列号。
print(df.loc[:, 'age':'point'])
print(type(df.loc[:, 'age':'point']))
# age state point
# name
# Alice 24 NY 64
# Bob 20 CA 92
# Charlie 30 CA 70
# Dave 40 TX 70
# Ellen 24 CA 88
# Frank 30 NY 57
# <class 'pandas.core.frame.DataFrame'>
print(df.iloc[:, [0, 2]])
print(type(df.iloc[:, [0, 2]]))
# age point
# name
# Alice 24 64
# Bob 20 92
# Charlie 30 70
# Dave 40 70
# Ellen 24 88
# Frank 30 57
# <class 'pandas.core.frame.DataFrame'>
当行名和列名具有重复值时
具有重复值的行和列也可以在index和columns中指定。
例，其中将具有重复值的列指定为index。
df_state = pd.read_csv('data/src/sample_pandas_normal.csv', index_col=2)
print(df_state)
# name age point
# state
# NY Alice 24 64
# CA Bob 42 92
# CA Charlie 18 70
# TX Dave 68 70
# CA Ellen 24 88
# NY Frank 30 57
print(df_state.index.values)
# ['NY' 'CA' 'CA' 'TX' 'CA' 'NY']
如果在中指定重复的列名，则numpy.ndarray中将返回多个值。
print(df_state.at['NY', 'age'])
print(type(df_state.at['NY', 'age']))
# [24 30]
# <class 'numpy.ndarray'>
如果在loc中指定重复的列名，则它将在pandas.DataFrame或pandas.Series中返回。
print(df_state.loc['NY', 'age'])
print(type(df_state.loc['NY', 'age']))
# state
# NY 24
# NY 30
# Name: age, dtype: int64
# <class 'pandas.core.series.Series'>
print(df_state.loc['NY', ['age', 'point']])
print(type(df_state.loc['NY', ['age', 'point']]))
# age point
# state
# NY 24 64
# NY 30 57
# <class 'pandas.core.frame.DataFrame'>
在iat或iloc中指定列号时，即使值重复也没有关系。
print(df_state.iat[0, 1])
可以使用index.is_unique和column.is_unique检查列标签和行标签是否具有唯一值（不重复）。
print(df_state.index.is_unique)
# False
print(df_state.columns.is_unique)
# True
通过数字和标签指定位置
如果要使用数字和标签（例如行号和列标签）的组合指定位置，则可以在at或loc处使用索引或列。可以按索引或列从行号或列号中获取行标签和列标签。
print(df)
# age state point
# name
# Alice 24 NY 64
# Bob 20 CA 92
# Charlie 30 CA 70
# Dave 40 TX 70
# Ellen 24 CA 88
# Frank 30 NY 57
print(df.index[2])
# Charlie
print(df.columns[1])
# state
使用at或loc，可以通过数字和标签的组合来指定位置。
print(df.at[df.index[2], 'age'])
print(df.loc[['Alice', 'Dave'], df.columns[1]])
# name
# Alice NY
# Dave TX
# Name: state, dtype: object
在使用slice start：stop：step进行指定时，如果loc使用行标签/列标签，则直到停止为止，但如果iloc使用行号/列编号，则将直到停止前成为请注意，如果要将stop的值从数字转换为标签，则需要执行类似索引[n-1]的操作。
另外，如下所述，当选择一行时，可以执行隐式类型转换。 最好使用上面显示的索引和列将它们组合为at或loc。
print(df['age'][2])
print(df.age[2])
print(df.loc[['Alice', 'Dave']].iloc[:, 1])
# name
# Alice NY
# Dave TX
# Name: state, dtype: object
在pandas.Series中选择行时的隐式类型转换
当loc或iloc中的pandas.Series选择并获取一行时，数据类型dtype是统一的，因此，如果原始pandas.DataFrame的每一列的数据类型不同，则会执行隐式类型转换。
以pandas.DataFrame为例，其中有一列整数int和一列浮点数。
df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C'])
print(df_mix)
# col_int col_float
# A 0 0.1
# B 1 0.2
# C 2 0.3
print(df_mix.dtypes)
# col_int int64
# col_float float64
# dtype: object
使用loc或iloc提取一行将导致float pandas.Series。 int列中的元素将转换为float。
print(df_mix.loc['B'])
# col_int 1.0
# col_float 0.2
# Name: B, dtype: float64
print(type(df_mix.loc['B']))
# <class 'pandas.core.series.Series'>
如果按如下所示编写[]，则将pandas.Series元素转换为float。请注意，元素的值将以与原始类型不同的类型获得。
print(df_mix.loc['B']['col_int'])
# 1.0
print(type(df_mix.loc['B']['col_int']))
# <class 'numpy.float64'>
如上所述，最好使用at和iat而不是重复编写[]，loc和iloc。如果是at或iat，则可以获取原始类型的元素。
print(df_mix.at['B', 'col_int'])
print(type(df_mix.at['B', 'col_int']))
# <class 'numpy.int64'>
如果在loc或iloc中指定一个包含1个元素的列表，它将是一行的pandas.DataFrame而不是pandas.Series。当然，在这种情况下，将保留原始数据类型dtype。
