2-1 loc与iloc两种叫号方式

2-1 loc与iloc：分诊台的两种叫号方式

本节摘要：loc按标签取数、切片双闭；iloc按位置取数、切片含头不含尾。本节讲清行列联合索引的语法、切片端点差异、以及旧接口ix被废弃的来龙去脉，读完你在任何表上取数都不再靠猜。

承接第01章1-2建立的两套坐标：那时只按行取，本节升级到行列联合叫号。这也是第06章merge前理解"键"的前置课。

行列联合叫号

import pandas as pd

df = pd.DataFrame({
    '门店': ['A', 'B', 'A', 'C', 'A'],
    '金额': [1280, 960, 1732, 880, 2100],
    '渠道': ['线上', '线下', '线上', '线上', '线下'],
}, index=['t1', 't2', 't3', 't4', 't5'])

# loc[行, 列]：挂号条 + 列名
print(df.loc['t3', '金额'])          # 1732
print(df.loc['t1':'t3', '金额'])     # 切片双闭，t1 t2 t3 都到
# t1    1280
# t2     960
# t3    1732
# Name: 金额, dtype: int64

# iloc[行, 列]：位置 + 位置
print(df.iloc[2, 1])                 # 1732
print(df.iloc[0:3, 1])               # 含头不含尾，同样三行
# t1    1280
# t2     960
# t3    1732
# Name: 金额, dtype: int64
​

同样三行，loc用t1:t3、iloc用0:3。端点规则不同、结果一致，这是最容易埋错的地方：loc是双闭区间，iloc遵守Python惯例左闭右开。等哪天索引不再是恰好有序的字符串，两种写法就会取到不同的行。

切片翻车现场

shuffled = df.loc[['t5', 't1', 't3', 't2', 't4']]  # 打乱挂号顺序

# 按标签切片：loc会在"挂号条的实际顺序"上找t1到t3的区间
print(shuffled.loc['t1':'t3'].index.tolist())  # ['t1', 't3', 't2']

# 想按值的排序取，先排序再切
ordered = shuffled.sort_index()
print(ordered.loc['t1':'t3'].index.tolist())  # ['t1', 't2', 't3']
​

⚠️ 常见坑：loc的标签切片在普通（非单调）索引上按"出现顺序"截取，结果依赖当前行序。要么先sort_index，要么改用isin列表。这是"同样的代码今天对明天错"的经典来源。

列侧的花式叫号

# 列也支持切片与列表
print(df.loc[:, '门店':'金额'].columns.tolist())  # ['门店', '金额']
print(df.loc[:, ['金额', '渠道']].columns.tolist())  # ['金额', '渠道']

# 布尔行 + 列列表：分诊最常用组合
mask = df['金额'] > 1000
print(df.loc[mask, ['门店', '金额']])
#   门店   金额
# t1    A  1280
# t3    A  1732
# t5    A  2100

# at与iat：单值取数的提速版
print(df.at['t3', '金额'])   # 1732
print(df.iat[2, 1])          # 1732
​

两套叫号方式的决策图

loc与iloc选用对照

废弃的第三种号：ix的教训

老教程里常见df.ix['t3', 1]这种标签位置混写的接口。它在整数索引上无法判断"3"是标签还是位置，Pandas在0.20版正式废弃了它。遇到旧代码里的ix，迁移规则只有两条：数字一律改iloc，其余改loc。这段历史值得知道，因为它解释了为什么现代Pandas坚持"两套坐标绝不混用"的设计。

# 旧代码：df.ix[2, '金额']  —— 报错或行为不定
# 迁移后二选一：
print(df.iloc[2, df.columns.get_loc('金额')])  # 位置行 + 列名转位置
print(df.loc[df.index[2], '金额'])             # 位置转标签 + 标签列
​

本节要点回顾

• loc标签双闭、iloc位置左闭右开，联合索引用中括号内逗号分隔行列
• 标签切片依赖行序，非单调索引先sort_index再切
• 布尔行加列列表（df.loc[mask, cols]）是分诊最常用姿势
• at与iat是单值取数的快速通道
• ix已废弃，迁移口诀：数字归iloc、其余归loc

追问：取数到底是副本还是视图

分诊台的最后一个经典疑问：df.loc[mask]拿到的结果，改了会不会影响原表？答案是别赌。Pandas的返回值有时是视图有时是副本，规则随版本演进，唯一可靠的姿势是：要改子集就显式复制（.copy()），要在原表上改就用一次到位的单个loc表达式读写。链式赋值（先取子集再对子集赋值）是SettingWithCopyWarning的唯一来源，见到警告不要无视，按这两条姿势重写。

subset = df.loc[mask, ['门店', '金额']].copy()   # 明确要独立副本
subset['金额'] = subset['金额'] * 0.9            # 改副本，原表不动

# 要改原表：单个loc完成读位与写入
df.loc[mask, '金额'] = df.loc[mask, '金额'] * 0.9
​

这个话题在第03章的清洗操作里还会高频出现，届时你会庆幸现在把规则立好了。

一个综合演练

把本章器械连起来用一次：从明细里取出"金额前三的大额线上交易"的门店与金额两列。

top = (df[df['渠道'] == '线上']              # 布尔筛症状
         .nlargest(3, '金额')                 # 按金额取前三
         .loc[:, ['门店', '金额']]             # 按标签取列
         .reset_index(drop=True))             # 重排挂号条
print(top)
​

链式写法读起来就是一句话：筛、排、取列、重排。每一步的输出都是下一步的输入，这正是Pandas流水线的表达力所在。

下一节把叫号升级成按症状筛人：布尔索引。