Sélection avec la touche .loc en python

pd.DataFrame.loc peut prendre un ou deux indexeurs. Pour le reste du post, je vais représenter la première indexeur comme i et la deuxième de l'indexeur comme j.

Si seulement un indexeur est fourni, il s'applique à l'index de la dataframe et le manque de l'indexeur est supposé représenter toutes les colonnes. Donc les deux exemples suivants sont équivalents.

1. df.loc[i]
2. df.loc[i, :]

Où : est utilisé pour représenter toutes les colonnes.

Si les deux indexeurs sont présents, i références valeurs de l'indice et j références à des valeurs de colonne.

---

Maintenant nous pouvons nous concentrer sur ce que les types de valeurs i et j peut assumer. Nous allons utiliser la suite dataframe df notre exemple:

    df = pd.DataFrame([[1, 2], [3, 4]], index=['A', 'B'], columns=['X', 'Y'])

loc a été écrite tels que i et j peut être

1. scalaires qui devraient être les valeurs de l'indice correspondant objets

   df.loc['A', 'Y']
   
   2

2. tableaux dont les éléments sont également membres de l'index de l'objet (notez que l'ordre du tableau je passe à loc est respecté

   df.loc[['B', 'A'], 'X']
   
   B    3
   A    1
   Name: X, dtype: int64

   • Avis de la dimension de l'objet de retour lors du passage de tableaux. i est un tableau comme il a été ci-dessus, loc retourne un objet dans lequel un index avec ces valeurs est retourné. Dans ce cas, parce que j était un scalaire, loc renvoyé un pd.Series objet. Nous pourrions avoir manipulé ce retour d'un dataframe si nous avons passé un tableau pour i et j, et le tableau pourrait ai juste eu une seule valeur avais tableau.

     df.loc[['B', 'A'], ['X']]
     
        X
     B  3
     A  1

3. boolean tableaux dont les éléments sont True ou False et dont la longueur correspond à la longueur de l'index. Dans ce cas, loc simplement extrait les lignes (ou les colonnes) dans laquelle la matrice booléenne est True.

   df.loc[[True, False], ['X']]
   
      X
   A  1

---

En outre à ce que les indexeurs vous pouvez passer à loc, il vous permet également d'effectuer des affectations. Maintenant, nous pouvons briser la ligne de code que vous avez fournis.

iris_data.loc[iris_data['class'] == 'versicolor', 'class'] = 'Iris-versicolor'

1. iris_data['class'] == 'versicolor' retourne un booléen tableau.
2. class est un scalaire qui représente une valeur dans les colonnes de l'objet.
3. iris_data.loc[iris_data['class'] == 'versicolor', 'class'] renvoie une pd.Series objet composé de la 'class' colonne pour toutes les lignes où 'class' est 'versicolor'

4. Lorsqu'il est utilisé avec un opérateur d'affectation:

   iris_data.loc[iris_data['class'] == 'versicolor', 'class'] = 'Iris-versicolor'

   Nous attribuer 'Iris-versicolor' pour tous les éléments dans la colonne 'class' où 'class' était 'versicolor'

C'est une pandas de données-image et c'est à l'aide de base de l'étiquette outil de sélection df.loc et en cela, il y a deux entrées, l'une pour la ligne et d'autre de la colonne, de sorte que dans la ligne d'entrée c'est la sélection de tous ceux qui les valeurs de ligne où la valeur enregistrée dans la colonne "classe" est 'versicolor', et dans la colonne d'entrée c'est le choix de la colonne avec l'étiquette de "classe", et attribuer des "Iris versicolor' de la valeur.
Donc, fondamentalement, c'est le remplacement de toutes les cellules de la colonne "classe" avec la valeur "versicolor" avec "Iris versicolor'.