Pandas est une bibliothèque Python largement utilisée pour la manipulation et l'analyse de données, et iloc est une fonction cruciale au sein de la bibliothèque qui permet aux utilisateurs de sélectionner et de manipuler des données par indexation basée sur des nombres entiers. Cela peut être particulièrement utile lorsque vous travaillez avec de grands ensembles de données. Dans cet article, nous allons explorer l'utilisation de pandas iloc dans divers scénarios et expliquez comment la fonction fonctionne étape par étape pour vous aider à comprendre sa signification et ses applications potentielles dans l'analyse des données.
pandas iloc : la solution à un problème courant
Un défi commun auquel sont confrontés les analystes de données est de savoir comment sélectionner et analyser efficacement des parties spécifiques de leur ensemble de données. L'objet DataFrame dans pandas offre de nombreuses excellentes méthodes pour relever ces défis, et l'une des fonctions les plus polyvalentes et les plus puissantes est la iloc indexeur. Il permet aux utilisateurs d'accéder aux lignes et aux colonnes d'un DataFrame basé sur une indexation basée sur des entiers.
Commençons par discuter d'une explication étape par étape de la façon d'utiliser iloc dans un scénario pratique d'analyse de données.
Explication étape par étape de Pandas iloc
L'utilisation de pandas iloc est simple et intuitive. Supposons que nous ayons le DataFrame suivant :
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Cathy', 'David'],
'Age': [25, 29, 21, 35],
'City': ['New York', 'San Francisco', 'Los Angeles', 'Boston']}
df = pd.DataFrame(data)
Notre DataFrame a 4 lignes et 3 colonnes. Pour utiliser iloc, vous devez fournir des index pour les lignes et les colonnes auxquelles vous souhaitez accéder. Voici quelques exemples:
1. Accéder à une ligne et une colonne spécifique :
# Access row 2 (index 1) and column 'Name' (index 0) selected_data = df.iloc[1, 0] print(selected_data) # Output: Bob
2. Accéder à une plage de lignes et de colonnes :
# Access rows 1 to 3 (indexes 0 and 1) and columns 'Name' and 'Age' (indexes 0 and 1) selected_data = df.iloc[0:2, 0:2] print(selected_data) # Output: # Name Age # 0 Alice 25 # 1 Bob 29
3. Accéder à des lignes et colonnes spécifiques :
# Access rows 1 and 4 (indexes 0 and 3) and columns 'Name' and 'City' (indexes 0 and 2) selected_data = df.iloc[[0, 3], [0, 2]] print(selected_data) # Output: # Name City # 0 Alice New York # 3 David Boston
Bibliothèques et dépendances
Utiliser pandas iloc, vous devez avoir installé la bibliothèque pandas, ainsi que toutes les autres bibliothèques dont dépendent les pandas, telles que NumPy. Vous pouvez les installer via pip ou conda :
pip install pandas numpy
or
conda install pandas numpy
Une fois les bibliothèques installées, vous pouvez commencer à utiliser pandas et iloc dans votre environnement Python, comme indiqué dans les exemples ci-dessus.
Autres fonctions connexes et méthodes d'indexation
En plus des iloc, pandas fournit plusieurs autres fonctions et méthodes d'indexation qui peuvent être utiles dans différentes situations. Certains des principaux sont:
- lieu : Cet indexeur permet aux utilisateurs d'accéder aux lignes et aux colonnes basées sur l'indexation basée sur les étiquettes, plutôt que sur l'indexation basée sur les entiers comme iloc.
- à l'adresse suivante : Il est utilisé pour accéder à une valeur unique basée sur l'indexation basée sur les étiquettes.
- c'est-à-dire : Semblable à 'at', mais pour une indexation basée sur des nombres entiers. Il est utilisé pour accéder à une valeur unique basée sur une indexation basée sur des entiers.
Explorer ces fonctions et comprendre comment elles peuvent être utilisées en combinaison avec iloc renforcera votre capacité à effectuer des manipulations de données complexes à l'aide de pandas.
