使用loc和仅使用方括号来过滤PandasPython中的列有什么区别？

使用loc和仅使用方括号来过滤Pandas / Python中的列有什么区别？

在以下情况下，它们的行为相同：

1. 选择单个列（

   df['A']

   与

   df.loc[:, 'A']

   ->选择列A相同）
2. 选择列列表（

   df[['A', 'B', 'C']]

   与

   df.loc[:, ['A', 'B', 'C']]

   ->选择列A，B和C相同）
3. 按行切片（

   df[1:3]

   与

   df.iloc[1:3]

   ->选择第1行和第2行相同。但是，请注意，如果使用

   loc

   而不是进行切片，则

   iloc

   假设您具有RandeIndex，则将获得第1、2和3行。请参见此处的详细信息。）

但是，

[]

在以下情况下不起作用：

1. 您可以使用

   df.loc[row_label]

2. 您可以使用

   df.loc[[row_label1, row_label2]]

3. 您可以使用

   df.loc[:, 'A':'C']

这三个不能用来完成

[]

。更重要的是，如果您的选择同时涉及到行和列，那么分配就会成问题。

df[1:3]['A'] = 5

这将选择行1和2，然后选择返回对象的列“ A”并为其分配值5。问题是，返回的对象可能是副本，因此这可能不会更改实际的Dataframe。这将引发
SettingWithCopyWarning。这种分配的正确方法是

df.loc[1:3, 'A'] = 5

使用

.loc

，可以确保修改原始Dataframe。它还允许您对列（

df.loc[:,'C':'F']

）进行切片，选择单行（

df.loc[5]

）和选择行列表（

df.loc[[1, 2, 5]]

）。

另请注意，这两个未同时包含在API中。

.loc

后来被添加为更强大，更明确的索引器。有关更多详细信息，请参见unutbu的答案。

---

注意：使用

[]

vs获取列

.

是一个完全不同的主题。

.

只是为了方便。它仅允许访问其名称为有效Python标识符的列（即它们不能包含空格，它们不能由数字组成…）。当名称与Series
/ Dataframe方法冲突时，不能使用它。它也不能用于不存在的列（即，

df.a = 1

如果没有column
，分配将不起作用

a

）。除此之外，

.

并且

[]

是相同的。