今天给大家展示的是一份从2007到2020年的各个省份各个季度的离婚情况表，表结构如下(截取部分)：　　

　　我们通过操作这张表，学习DataFrame的索引、切片和一些算术操作。我们知道DataFrame是一个二维的数据结构，我们学习过Series的索引和切片，只不过它是一个一维的。但是两者在使用上还是很类似的。

　　#### 索引

　　DataFrame是否也有这些呢？我们通过**2007-2020全国结婚离婚数据.csv**这个数据表来去看一下。

　　```python

　　import numpy as np

　　import pandas as pd

　　import matplotlib.pyplot as plt

　　%matplotlib inline

　　data = pd.read_csv('2007-2020全国结婚离婚数据.csv')

　　# 因为在列名下面有一个空行我们删除掉

　　data = data.dropna()

　　# 获取2020年第一季度结婚数 (即某一列数据)

　　data['2020年第1季度结婚登记']

　　data数据如下所示：　　

　　# 获取北京市2007-2020年的所有数据(即一行数据)

　　data[3] # 使用行标签3是否可以呢?

　　```

　　此时有报错：KeyError: 3，因此对于DataFrame来说，我们不能直接使用索引值访问行。

　　所以我们分别从**行和列**两个方面给大家介绍索引访问,先来看一张表格

　　| | 显式访问 | 隐式访问 |

　　| ---- | ------------------------------------------------------------ | ------------------------------------------------------------ |

　　| | 即使用index的值进行索引(如果在读取csv，excel文件的时候没有指明列名，则默认是数字1～n) | 使用整数作为索引值(从0开始，默认向后数) |

　　| 行 | df.loc[行的名字] **获取单行** 如： df.loc[3] df.loc['北京市'] | df.iloc[row_index] **获取单行** 如： df.iloc[2] |

　　| | df.loc[[行名1,行名2,行名3,....]] **获取不连续多行** 如： df.loc[[3,4,5,6]] df.loc[['北京市','天津市','上海市']] | df.iloc[row_index_list] **获取不连续多行 ** 如：df.iloc[[2,3,7,9]] |

　　| | df.loc[行名1:行名2] **获取连续多行** 如：df.loc['北京市':'吉林省'] 但是行也可以按照如下形式获取： df['行名1':'行名2':'步长'] 指定步长获取 | df.iloc[start:end] **获取连续多行 ** 如：df.iloc[3:9] |

　　| 列 | df[列名] **单列访问** 如：df['2020年第1季度结婚登记'] | df.iloc[:,col_loc] **单列访问** 如：df.iloc[:,3] |

　　| | df[[列名1,列名2,....]] **不连续多列访问** 如：df.[['2020年第1季度结婚登记','2020年第2季度结婚登记']] | df.iloc[:,col_loc_list] **不连续多列访问** 如：df.iloc[:,[3,5,7]] |

　　| | | df.iloc[:,start：end:step] **连续多列访问** 如：df.iloc[:,3:8] 如果获取的指定某些行或者某些列可以按照如下方式： df.iloc[row_start:row_end:step,col_start:col_end:step] |

　　**显式访问**具体效果展示：

　　```python

　　import numpy as np

　　import pandas as pd

　　import matplotlib.pyplot as plt

　　%matplotlib inline

　　# 将表格的第一列设置为行索引,添加index_col=0

　　data = pd.read_csv('2007-2020全国结婚离婚数据.csv',index_col=0)

　　data = data.dropna()

　　# 显式获取指定列

　　col1 = data['2007年第1季度结婚登记']

　　print(col1)

　　# 显式获取指定行

　　row1 = data.loc['上海市']

　　print(row1)

　　# 显式获取多个指定列

　　col_list = data[['2007年第1季度结婚登记','2007年第2季度结婚登记','2007年第3季度结婚登记']]

　　print(col_list)

　　# 显式获取多个指定行

　　row_list = data.loc[['北京市','上海市','天津市']]

　　print(row_list)

　　```　　

　　我们知道隐式索引，行和列都是使用默认的整数作为索引值(从0开始，默认向后数)，即　　

　　对于数字我们是看不到的，所以我们称为隐式。

　　列的访问使用的是： iloc[行,列] 行或者列位置如果使用【：】则表示获取所有的行或者所有的列。

　　**隐式访问**具体效果展示：

　　```

　　# 单行的获取

　　row1 = data.iloc[3]

　　print(row1)

　　# 多行获取

　　row_list = data.iloc[[3,5,7,9]]

　　print(row_list)

　　# 单列获取

　　col = data.iloc[:,3]

　　print(col)

　　# 多列获取 (不连续的列)

　　col_list = data.iloc[:,[2,4,6]]

　　print(col_list)

　　```

　　数据比较多，这里就不给大家截图展示了。

　　更多关于“Python 培训”的问题，欢迎咨询千锋教育在线名师。千锋教育多年办学，课程大纲紧跟企业需求，更科学更严谨，每年培养泛IT人才近2万人。不论你是零基础还是想提升，都可以找到适合的班型，千锋教育随时欢迎你来试听。

　　注：本文部分文字和图片来源于网络，如有侵权，请联系删除。版权归原作者所有!