iloc & loc一看就懂

iloc：按顺序索引，和dataframe的行号（index）和列名（columns）没有任何关系。
loc：按行号（index）和列名（columns）索引，和顺序没有任何关系。

之所以二者总是分不清，是因为一般情况下，dataframe的index是从0到n的顺序排列，这会导致iloc和loc在某些时候索引出来的结果一致，难以分清二者的差别。一旦dataframe的index和columns都不是数字，那么二者索引的结果是完全不一样的。

用一个例子来看懂，二者的本质差别：

首先，生成一个dataframe，其index和columns都是按序排列的数字。

import pandas as pd
import numpy as np

a = np.arange(12).reshape(4,3)
df = pd.DataFrame(a)
df

df输出结果为：

image.png

（一）索引行
此时按行索引，iloc和loc的结果一致，因为index就是和顺序一致的。

# 索引行，iloc和loc的结果一致
print(df.iloc[3])
print(df.loc[3])

输出结果为：

image.png

df.iloc[3]输出的是第4行；df.loc[3]输出的是index=3的行；此时index=3就是第4行，所以结果一致。
此时，如果我把行索引的名字改掉，即index重命名，结果还会一致吗？

df.rename(index={0:'a',1:'b',2:'c',3:'d'},inplace=True)
df

df输出结果为：

image.png

再重新执行

print(df.iloc[3])
print(df.loc[3])

df.iloc[3]的输出结果不变，仍为：

image.png

df.loc[3]则报错，因为找不到index=3的行索引了。

image.png

再看列索引...
（二）列索引
索引dataframe的列，需要指定行，“：”代表索引所有行。
接着执行以下程序

print(df.iloc[:,0:2]) # 输出第0，1列
print(df.loc[:,0:2]) # 输出column=0,column=1,column=2列

df.iloc[:,0:2]输出的是所有行，前两列：

image.png

df.loc[:,0:2])输出的所有行，前三列：

image.png

此时，df.loc[:,0:2]相当于执行的是，df.loc[:,[0,1,2]]：

image.png

所以，df.loc[:,0:2]的0:2并不代表顺序索引，而是转化成了对应的列名[0,1,2]。
其实，行索引df.loc[0:2,:]，也是执行的df.loc[[0,1,2]:]，会比df.iloc[0:2,:]多一行。

image.png

所以，当某个dataframe的索引总是数字的时候，iloc和loc总是差了一行，这个非常容易出错。

（三）索引某个元素
如果理解了以上的行索引和列索引，对某个元素的索引就非常好理解了。
当我们的dataframe的index和columns都是按顺序的数字时：

image.png

我们用df.iloc[1,1] 和df.loc[1,1]，结果都是一样的，都是4。

image.png

image.png

那么df.iloc[1,1] 索引的结果不变，仍为4。df.loc[1,1]索引到index=1,column=1的元素，结果为0。