4.3 混合选择：ix[] (不推荐，建议使用 loc 或 iloc)

4.3 混合选择：ix[] (不推荐，建议使用 loc 或 iloc)

4.3 混合选择：ix[] (不推荐，建议使用 loc 或 iloc)

在 Pandas 中，ix[] 曾经是一种用于混合选择数据的方法，它允许你同时使用标签和整数索引来访问 DataFrame 或 Series 中的数据。然而，由于其行为的模糊性和可能产生的歧义，ix[] 已被标记为不推荐使用，并且在较新的 Pandas 版本中可能会被移除。因此，强烈建议使用 loc[] 和 iloc[] 来进行数据选择，因为它们提供了更明确和可预测的行为。

ix[] 的工作原理 (已过时)

ix[] 尝试根据提供的索引类型来智能地选择数据。它的工作方式如下：

1. 如果传递的是标签：ix[] 表现得像 loc[]，即基于标签进行选择。

2. 如果传递的是整数：ix[] 表现得像 iloc[]，即基于整数索引进行选择。

3. 如果索引同时包含标签和整数：ix[] 的行为可能变得模糊，并且可能导致意外的结果。

ix[] 的问题与歧义

ix[] 的主要问题在于其行为的模糊性。当 DataFrame 的索引是整数类型时，ix[] 无法区分是基于标签的索引还是基于位置的索引，这可能导致意外的结果。

例如，考虑以下 DataFrame：

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=[1, 2, 3])
print(df)
​

输出：

   A  B
1  1  4
2  2  5
3  3  6
​

如果使用 df.ix[1]，你可能期望访问索引为 1 的行（即标签为 1 的行）。然而，ix[] 可能会将其解释为基于位置的索引，从而返回第一行（索引为 0 的行，但标签为1的行）。这种歧义性是 ix[] 被弃用的主要原因。

为什么推荐使用 loc[] 和 iloc[]

loc[] 和 iloc[] 提供了更明确和可预测的行为，从而避免了 ix[] 的歧义性。

• loc[]: 基于标签进行选择。无论索引的类型是什么，loc[] 始终使用标签来选择数据。

• iloc[]: 基于整数索引进行选择。iloc[] 始终使用整数索引来选择数据，忽略索引的实际标签。

使用 loc[] 和 iloc[] 可以避免混淆，并使代码更易于理解和维护。

代码示例与实践

以下是一些使用 ix[] (不推荐) 以及 loc[] 和 iloc[] 的代码示例，以说明它们之间的差异和推荐的使用方法。

1. 使用 ix[] (不推荐)

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=[1, 2, 3])
# 使用 ix[] 选择标签为 1 的行 (可能产生歧义)
# 注意：在新的pandas版本中，ix[]可能已经无法使用，或者会给出警告
# print(df.ix[1]) # 不推荐
​

2. 使用 loc[] (推荐)

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=[1, 2, 3])
# 使用 loc[] 选择标签为 1 的行
print(df.loc[1])
# 使用 loc[] 选择标签为 1 和 2 的行
print(df.loc[[1, 2]])
# 使用 loc[] 选择标签为 1 的行的 'A' 列
print(df.loc[1, 'A'])
# 使用 loc[] 选择标签为 1 和 2 的行的 'A' 和 'B' 列
print(df.loc[[1, 2], ['A', 'B']])
​

3. 使用 iloc[] (推荐)

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=[1, 2, 3])
# 使用 iloc[] 选择第一行 (整数索引为 0)
print(df.iloc[0])
# 使用 iloc[] 选择第一行和第二行
print(df.iloc[[0, 1]])
# 使用 iloc[] 选择第一行的第一列
print(df.iloc[0, 0])
# 使用 iloc[] 选择第一行和第二行的第一列和第二列
print(df.iloc[[0, 1], [0, 1]])
​

总结 loc[] 和 iloc[] 的使用场景：

• loc[]: 当你知道行或列的标签时，使用 loc[]。例如，根据日期、股票代码或客户 ID 选择数据。

• iloc[]: 当你知道行或列的整数索引时，使用 iloc[]。例如，选择 DataFrame 的前几行或特定列。

Mermaid 图：loc[] vs iloc[]

以下是一个 Mermaid 图，说明了 loc[] 和 iloc[] 之间的区别：

图解：

1. 从 "选择数据" 开始。

2. 判断是否使用标签进行选择。

3. 如果是，则使用 loc[]，它基于标签选择数据。

4. 如果否，则使用 iloc[]，它基于整数索引选择数据。

5. 最后，返回选定的数据。

避免 ix[] 的最佳实践

• 始终使用 loc[] 或 iloc[] 来进行数据选择。

• 明确指定是基于标签还是基于整数索引进行选择。

• 避免在混合索引的情况下使用 ix[]。

• 在更新 Pandas 版本时，检查 ix[] 是否已被移除，并将其替换为 loc[] 或 iloc[]。

结论

虽然 ix[] 曾经是一种方便的混合选择方法，但由于其行为的模糊性和可能产生的歧义，它已被标记为不推荐使用。为了编写更清晰、更易于维护的代码，强烈建议使用 loc[] 和 iloc[] 来进行数据选择。loc[] 基于标签进行选择，而 iloc[] 基于整数索引进行选择。通过明确指定是基于标签还是基于整数索引进行选择，可以避免混淆，并确保代码的行为符合预期。

总而言之，拥抱 loc[] 和 iloc[]，告别 ix[]，你的 Pandas 代码将会更加健壮和易于理解。 记住，清晰的代码胜过任何花哨的技巧。