在到目前为止的示例中，行名/列名是字符串，但是当行名/列名是整数值时要小心。

以下面的pandas.DataFrame为例。

df = pd.DataFrame([[0, 10, 20], [30, 40, 50], [60, 70, 80]],
                  index=[2, 0, 1], columns=[1, 2, 0])
print(df)
#     1   2   0
# 2   0  10  20
# 0  30  40  50
# 1  60  70  80
在[标量值]和[列表]的情况下，指定的值被视为列名。
 
print(df[0])
# 2    20
# 0    50
# 1    80
# Name: 0, dtype: int64
print(df[[0, 2]])
#     0   2
# 2  20  10
# 0  50  40
# 1  80  70
对于“切片”，将指定的值视为行号，而不是行名。负值也可以使用。 打印（df [：2]）
 
print(df[:2])
#     1   2   0
# 2   0  10  20
# 0  30  40  50
print(df[-2:])
#     1   2   0
# 0  30  40  50
# 1  60  70  80
使用loc（行名）iloc（行号）来明确指定它是行名还是行号。
 
print(df.loc[:2])
#    1   2   0
# 2  0  10  20
print(df.iloc[:2])
#     1   2   0
# 2   0  10  20
# 0  30  40  50
s = df[2]
print(s)
# 2    10
# 0    40
# 1    70
# Name: 2, dtype: int64
pandas.Series认为指定的值是标签名称而不是数字。
 
print(s[0])
使用at和iat可以清楚地指定标签名称或编号。 loc和iloc很好，但是at和iat更快。
 
print(s.at[0])
print(s.iat[0])
特别要注意的是，如果尝试获取最后一个值并尝试获取[-1]，它将被视为对名为-1的标签的值的选择。确定，如果您使用iat。
 
# print(s[-1])
# KeyError: -1
print(s.iat[-1])
这样，当行名和列名是整数值时，最好使用at，iat，loc和iloc以避免混淆。
                    28_Pandas通过index选择并获取行和列通过指定pandas.DataFrame和pandas.Series的index（下标），可以选择和获取行/列或元素的值。根据[]中指定的值的类型，可以获取的数据会有所不同。将描述以下内容。获取pandas.DataFrame的列列名称：将单个列作为pandas.Series获得列名称的列表：将单个或多个列作为pandas.DataFrame获得获取pandas.DataFrame的行行名・行号的切片：将单行或多行作为pandas.Da
二、提取索引
（已经做了一些操作将Age为NaN的行提取出来并合并为一个dataframe，这里提取的是该dataframe的索引，道理和操作是相似的，提取的代码没有贴上去是为了不显得太繁杂让读者看着繁琐）
>>> index = unknown_age_Mr.index.tolist() #记得转换为list格式
三、提取索引对应的原始dataframe的行
使用iloc函数将数据块提取出
>>> age_df.iloc[index, :] # 这里的 ：可以改为具体的索引，就可以提取具体列，详情可以看iloc的介绍
如果打印出来就是下面的样子
df[: 5]  # 输入index，按行取值(0~4)，同列表切片
df["date"]  # 按列取值
df[df["date"] > "2020-01-01"]  # 传入bool值，进行简单数据选择
2、df.loc[行标签, 列标签]
主要基于标签，但也可以与布尔数组一起使用。
单个标签。（注意，数字5被解释为标签）
列表或标签数组。['a', 'b', 'c']
带标签的切片对象'a':'f'（注意，不同于Python列表，切片包括端点'a','f'）
  if df.iloc[i]['BoolCol']== True:
     print i,df.iloc[i]['BoolCol']
这虽然可行，但不是标准的 Pandas 方式。经过一番研究，我目前正在使用这个代码：
df[df['BoolCol'] == True].index.tolist()
这个给了我一个索引列表，但跟我想要的不匹配，当检查：
df.iloc[i]
train=train['item_id']#选择要去重的列
train=set(train)#去重
data=pd.DataFrame(list(train),columns=['item_id'])#因为set是无序的，必须要经过list处理后才能成为DataFrame
data.to_csv('xxx.csv',index=False)#保存表格 
记得导入pandas哦~
以上这篇pandas 实现将重复表格去重,并重新转换为表格的方法就是小编分享给大家
				
Pandas库十分强大，但是对于切片操作iloc, loc和ix，很多人对此十分迷惑，因此本篇博客利用例子来说明这3者之一的区别和联系，尤其是iloc和loc。
对于ix，由于其操作有些复杂，我在另外一篇博客专门详细介绍ix。
首先，介绍这三种方法的概述：
  loc gets rows (or columns) with particular labels from the index. loc从索引中获取具有特定标签的行（或列）。这里的关键是：标签。标签的理解就是name名字。
  iloc gets rows (or columns) at particular positions in
				
使用pandas索引和选择数据时，总是需要百度，因此决定对pandas.DataFrame中的索引和选择方法做个总结。所用的pandas版本号为0.20.1 
pandas中有三种索引方法：.loc，.iloc和[]，注意：.ix的用法在0.20.0中已经不建议使用了！
				
在pandas中怎么样实现类似mysql查找语句的功能：select * from table where column_name = some_value;pandas中获取数据的有以下几种方法：布尔索引 位置索引 标签索引 使用API 假设数据如下:import pandas as pd
import numpy as np
df = pd.DataFrame({'A': 'foo bar ...
				
Pandas可以通过read_csv()方法从CSV文件中读取数据，并将其作为DataFrame对象返回。在这个DataFrame对象中，每个行会有一个index，它通常是由Pandas自动生成的一组数字。但是，如果CSV文件中已经有一个列作为标识符可以作为index的话，我们也可以将其指定为index。
如果在读取CSV文件时想要有一个特定的列作为index的话，可以使用index_col参数来指定。例如，下面的代码使用index_col参数将第一列作为index：
```python
import pandas as pd
df = pd.read_csv('data.csv', index_col=0)
以上代码会将data.csv文件读取为一个DataFrame对象，并将其中的第一列作为index。如果要读取CSV文件的时候不想要将任何列作为index，可以将index_col设置为None。
在DataFrame对象中，index可以让我们快速地根据行的标识符找到某一行的数据，或根据一些具体要求筛选数据。例如，可以使用loc方法按照index选择某些行的数据：
```python
df.loc['row1':'row3']
以上代码会选择index为row1到row3的行数据。这样，通过设置合适的index，我们可以更方便地操作和分析数据。