本文目录一览：
Python 数据处理（二十四）—— 索引和选择
如果你想获取 'A' 列的第 0 和第 2 个元素，你可以这样做:
这也可以用 .iloc 获取，通过使用位置索引来选择内容
可以使用 .get_indexer 获取多个索引:
警告 ：
对于包含一个或多个缺失标签的列表，使用 .loc 或 [] 将不再重新索引，而是使用 .reindex
在以前的版本中，只要索引列表中存在至少一个有效标签，就可以使用 .loc[list-of-labels]
但是现在，只要索引列表中存在缺失的标签将引发 KeyError 。推荐的替代方法是使用 .reindex() 。
例如
索引列表的标签都存在
先前的版本
但是，现在
索引标签列表中包含不存在的标签，使用 reindex
另外，如果你只想选择有效的键，可以使用下面的方法，同时保留了数据的 dtype
对于 .reindex() ，如果有重复的索引将会引发异常
通常，您可以将所需的标签与当前轴做交集，然后重新索引
但是，如果你的索引结果包含重复标签，还是会引发异常
使用 sample() 方法可以从 Series 或 DataFrame 中随机选择行或列。
该方法默认会对行进行采样，并接受一个特定的行数、列数，或数据子集。
默认情况下， sample 每行最多返回一次，但也可以使用 replace 参数进行替换采样
默认情况下，每一行被选中的概率相等，但是如果你想让每一行有不同的概率，你可以为 sample 函数的 weights 参数设置抽样权值
这些权重可以是一个列表、一个 NumPy 数组或一个 Series ，但它们的长度必须与你要抽样的对象相同。
缺失的值将被视为权重为零，并且不允许使用 inf 值。如果权重之和不等于 1 ，则将所有权重除以权重之和，将其重新归一化。例如
当应用于 DataFrame 时，您可以通过简单地将列名作为字符串传递给 weights 作为采样权重（前提是您要采样的是行而不是列）。
sample 还允许用户使用 axis 参数对列进行抽样。
最后，我们还可以使用 random_state 参数为 sample 的随机数生成器设置一个种子，它将接受一个整数（作为种子）或一个 NumPy RandomState 对象
当为该轴设置一个不存在的键时， .loc/[] 操作可以执行放大
在 Series 的情况下，这实际上是一个追加操作
可以通过 .loc 在任一轴上放大 DataFrame
这就像 DataFrame 的 append 操作
由于用 [] 做索引必须处理很多情况（单标签访问、分片、布尔索引等），所以需要一些开销来搞清楚你的意图
如果你只想访问一个标量值，最快的方法是使用 at 和 iat 方法，这两个方法在所有的数据结构上都实现了
与 loc 类似， at 提供了基于标签的标量查找，而 iat 提供了基于整数的查找，与 iloc 类似
同时，你也可以根据这些索引进行设置值
如果索引标签不存在，会放大数据
另一种常见的操作是使用布尔向量来过滤数据。运算符包括：
|(or) 、 (and) 、 ~ (not)
这些必须用括号来分组，因为默认情况下， Python 会将 df['A'] 2 df['B'] 3 这样的表达式评估为 df['A'] (2 df['B']) 3 ，而理想的执行顺序是 (df['A'] 2) (df['B'] 3)
使用一个布尔向量来索引一个 Series ，其工作原理和 NumPy ndarray 一样。
您可以使用一个与 DataFrame 的索引长度相同的布尔向量从 DataFrame 中选择行
列表推导式和 Series 的 map 函数可用于产生更复杂的标准
我们可以使用布尔向量结合其他索引表达式，在多个轴上索引
iloc 支持两种布尔索引。如果索引器是一个布尔值 Series ，就会引发异常。
例如，在下面的例子中， df.iloc[s.values, 1] 是正确的。但是 df.iloc[s，1] 会引发 ValueError 。
python为什么做数据分析好
究其原因，主要有以下几点：
①Python的语法简单，代码可读性高，易于上手，有利于初学者学习;当我们处理数据时，我们希望使数据数字化并将其转换为计算机可以操作的数字形式。我们可以直接使用一个行列表推导来完成，这非常简单。
②Python在数据分析和交互，探索性计算和数据可视化方面拥有非常成熟的库和活跃的社区，这使Python成为数据任务处理的重要解决方案。在数据处理和分析方面，Python具有numpy，pandas，Matplotlib，scikit-learn，IPython和其他出色的库和工具，尤其是pandas在数据处理方面具有绝对优势。
③Python具有很强的通用编程能力，这与别的编程语言不同。Python不仅在数据分析方面功能强大，而且在爬虫，web，运维甚至游戏等领域也发挥着非常重要的作用。公司只需一项技术即可完成所有服务，这有利于业务整合并可以提高工作效率。
④Python是人工智能的首选编程语言。在人工智能时代，Python已成为最受欢迎的编程语言。得益于Python语法简洁，丰富的库和社区，大多数深度学习框架都优先支持Python语言。
数据分析 为什么用python
究其原因，主要有以下几点：
①Python的语法简单，代码可读性高，易于上手，有利于初学者学习;当我们处理数据时，我们希望使数据数字化并将其转换为计算机可以操作的数字形式。我们可以直接使用一个行列表推导来完成，这非常简单。
②Python在数据分析和交互，探索性计算和数据可视化方面拥有非常成熟的库和活跃的社区，这使Python成为数据任务处理的重要解决方案。在数据处理和分析方面，Python具有numpy，pandas，Matplotlib，scikit-learn，IPython和其他出色的库和工具，尤其是pandas在数据处理方面具有绝对优势。
③Python具有很强的通用编程能力，这与别的编程语言不同。Python不仅在数据分析方面功能强大，而且在爬虫，web，运维甚至游戏等领域也发挥着非常重要的作用。公司只需一项技术即可完成所有服务，这有利于业务整合并可以提高工作效率。
④Python是人工智能的首选编程语言。在人工智能时代，Python已成为最受欢迎的编程语言。得益于Python语法简洁，丰富的库和社区，大多数深度学习框架都优先支持Python语言。
