今天是pandas資料處理專題第三篇文章，我們來聊聊DataFrame中的索引。

上篇文章當中我們簡單介紹了一下DataFrame這個資料結構的一些常見的用法，從整體上大概瞭解了一下這個資料結構。今天這一篇我們將會深入其中索引相關的應用方法，瞭解一下DataFrame的索引機制和使用方法。

資料準備

上一篇文章當中我們瞭解了DataFrame可以看成是一系列Series組合的dict，所以我們想要查詢表中的某一列，也就是查詢某一個Series，我們只需要像是dict一樣傳入key值就可以查找了。但是，如果我們想要查詢某一行應該怎麼辦？難道手動去遍歷每一列麼？這顯然是不現實的。

所以DataFrame當中也為我們封裝了現成的行索引的方法，行索引的方法一共有兩個，分別是loc，iloc

首先，我們還是用上次的方法來建立一個DataFrame用來測試：

data={'name':['Bob','Alice','Cindy','Justin','Jack'],'score':[199,299,322,212,311],'gender':['M','F','F','M','M']}

df=pd.DataFrame(data)

loc

首先我們來介紹loc，loc方法可以根據傳入的行索引查詢對應的行資料。注意，這裡說的是行索引，而不是行號，它們之間是有區分的。行索引其實對應於Series當中的Index，也就是對應Series中的索引。所以我們一般把行索引稱為Index，而把列索引稱為columns。

我們在之前的文章當中瞭解過，對於Series來說，它的Index可以不必是整數，也可以擁有重複元素。當然如果我們不指定的話，它會和行號一樣，都是整數：

我們可以手動修改df的index，來看看當行索引不是整數的時候，是不是也一樣生效。

可以明顯看出來是生效的，而且我們也可以傳入一個索引陣列來查詢多行。

不僅如此，loc方法也是支援切片的，也就是說雖然我們傳進的是一個字串，但是它在原資料當中是對應了一個位置的。我們使用切片，pandas會自動替我們完成索引對應位置的對映。

但是索引對應的切片出來的結果是閉區間，這一點和Python通常的切片用法不同，需要當心。

另外，loc是支援二維索引

列索引也可以切片，並且可以組合在一起切片：

iloc

iloc從名字上來看就知道用法應該和loc不會差太大，實際上也的確如此。iloc的用法幾乎和loc完全一樣，唯一不同的是，iloc接收的不是index索引而是行號。我們可以通過行號來查詢我們想要的行，既然是行號，也就說明了固定死了我們傳入的引數必須是整數。

同樣iloc也支援傳入多個行號。

iloc也支援二維索引，但是對於列，我們也必須傳入整數，也就是這個列對應的列號。

和loc不同，iloc的切片也是左閉右開。

我們在使用當中往往會覺得不方便，因為我們往往是知道我們需要的行號和列名。也就是知道一個索引知道一個位置，而不是兩個位置或者是兩個索引，所以使用loc也不方便使用iloc也不方便。這個時候可以取巧，我們可以通過iloc找出對應的行之後，再通過列索引的方式去查詢列。

這裡我們在iloc之後又加了一個方括號，這其實不是固定的用法，而是兩個語句。先是iloc查詢行之後，再對這些行組成的新的DataFrame進行列索引。

但如果是通過索引來查詢對應的若干行的話，其實也可以不用使用iloc，我們可以直接在df後面加上方括號來查詢，一樣可以得到結果。

但是這種方式有一個限制，就是後面只能傳入一個切片，而不能是一個整數。比如我想要單獨查詢第2行，我們通過df[2]來查詢是會報錯的。因為pandas會混淆不知道二手手機地圖我們究竟是想要查詢一列還是一行，所以這個時候只能通過iloc或者是loc進行。

邏輯表示式

和numpy一樣，DataFrame也支援傳入一個邏輯表示式作為查詢條件。

比如我們想要查詢分數大於200的行，可以直接在方框中寫入查詢條件df['score'] > 200。

實際上我們知道df['score']可以獲得這一列對應的Series，加上了判斷之後，得到的結果應該是一個Bool型的Series。所以如果我們直接傳入一個bool型的陣列也是一樣可以完成查詢的：

如果表示式有多個也沒問題，不過需要使用括號將表示式包起來，並且多個表示式之間用位運算子連線，比如&, |。

總結

今天主要介紹了loc、iloc和邏輯索引在pandas當中的用法，這也是pandas資料查詢最常用的方法，也是我們使用過程當中必然會用到的內容。建議大家都能深刻理解，把它記牢。

很多人在學習pandas的前期遇到最多的一個問題就是會把iloc和loc記混淆，搞不清楚哪個是索引查詢哪個是行號查詢。曾經原本還有一個ix方法，可以兼顧iloc和loc的功能，既可以索引查詢也可以行號查詢。但是可惜的是，在pandas最新的版本當中這個方法已經被廢棄了。我個人也沒有什麼太好的辦法，只能熟能生巧了，多用幾次就記住了。