Pandas กับ loc: อะไรคือความแตกต่าง?

เมื่อพูดถึงการเลือกแถวและคอลัมน์ของ DataFrame ของแพนด้า .loc และ .at เป็นสองฟังก์ชันที่ใช้กันทั่วไป

นี่คือข้อแตกต่างเล็กน้อยระหว่างทั้งสองฟังก์ชัน:

• .loc สามารถใช้หลายแถวและคอลัมน์เป็นอาร์กิวเมนต์อินพุตได้
• .at สามารถรับได้เพียงแถวและคอลัมน์เดียวเป็นอาร์กิวเมนต์อินพุต

ตัวอย่างต่อไปนี้แสดงวิธีการใช้แต่ละฟังก์ชันในทางปฏิบัติกับ Pandas DataFrame ต่อไปนี้:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' team ': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],
                   ' points ': [18, 22, 19, 14, 14, 11, 20, 28],
                   ' assists ': [5, 7, 7, 9, 12, 9, 9, 4],
                   ' rebounds ': [11, 8, 10, 6, 6, 5, 9, 12]})

#view DataFrame
print (df)

  team points assists rebounds
0 A 18 5 11
1 B 22 7 8
2 C 19 7 10
3 D 14 9 6
4 E 14 12 6
5 F 11 9 5
6 G 20 9 9
7:28 4 12

ตัวอย่างที่ 1: วิธีใช้ loc ใน Pandas

รหัสต่อไปนี้แสดงวิธีใช้ .loc เพื่อเข้าถึงค่าใน DataFrame ซึ่งอยู่ที่ตำแหน่งดัชนี 0 ของคอลัมน์จุด:

 #select value located at index position 0 of the points column
df. loc [0, ' points ']

18

ซึ่งจะคืนค่าเป็น 18

และโค้ดต่อไปนี้แสดงวิธีใช้ .loc เพื่อเข้าถึงแถวระหว่างค่าดัชนี 0 ถึง 4 รวมถึงคอลัมน์จุดและช่วยเหลือ:

 #select rows between index values 0 and 4 and columns 'points' and 'assists'
df. loc [0:4, [' points ', ' assists ']]

        assist points
0 18 5
1 22 7
2 19 7
3 14 9
4 14 12

ไม่ว่าเราต้องการเข้าถึงค่าเดียวหรือกลุ่มของแถวและคอลัมน์ ฟังก์ชัน .loc สามารถทำได้ทั้งสองอย่าง

ตัวอย่างที่ 2: วิธีใช้ at ใน Pandas

รหัสต่อไปนี้แสดงวิธีใช้ .at เพื่อเข้าถึงค่าใน DataFrame ซึ่งอยู่ที่ตำแหน่งดัชนี 0 ของคอลัมน์จุด:

 #select value located at index position 0 of the points column
df. at [0, ' points ']

18

ซึ่งจะคืนค่าเป็น 18

อย่างไรก็ตาม สมมติว่าเราพยายามใช้ at เพื่อเข้าถึงแถวระหว่างค่าดัชนี 0 ถึง 4 รวมถึงคอลัมน์จุดและช่วยเหลือ:

 #try to select rows between index values 0 and 4 and columns 'points' and 'assists'
df. at [0:4, [' points ', ' assists ']]

TypeError : unhashable type: 'list'

เราได้รับข้อผิดพลาดเนื่องจากฟังก์ชัน at ไม่สามารถรับหลายแถวหรือหลายคอลัมน์เป็นอาร์กิวเมนต์อินพุตได้

บทสรุป

เมื่อคุณต้องการเข้าถึงค่าเดียวใน DataFrame ของ pandas ฟังก์ชัน loc และ at จะทำงานได้ดี

อย่างไรก็ตาม เมื่อคุณต้องการเข้าถึงกลุ่มของแถวและคอลัมน์ มีเพียงฟังก์ชัน loc เท่านั้นที่สามารถทำได้

ที่เกี่ยวข้อง: Pandas loc กับ iloc: อะไรคือความแตกต่าง?

แหล่งข้อมูลเพิ่มเติม

บทช่วยสอนต่อไปนี้จะอธิบายวิธีดำเนินการทั่วไปอื่น ๆ ในแพนด้า:

วิธีเลือกแถวตามเงื่อนไขหลายรายการโดยใช้ Pandas Loc
วิธีเลือกแถวตามค่าคอลัมน์ใน Pandas
วิธีเลือกแถวตามดัชนีใน Pandas