人生苦短，我用 Python
前文传送门：
小白学 Python 数据分析（2）：Pandas （一）概述
小白学 Python 数据分析（3）：Pandas （二）数据结构 Series
小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame
小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据
引言
上一篇文章我们介绍如何在 Pandas 一些基础的查看数据的操作，但是官方更推荐我们使用 .at、.iat、.loc 和 .iloc 这几个经过 Pandas 优化过的数据访问方法来访问数据。
首先我们还是先创建一个 DataFrame 用作演示，小编偷懒，接着把上一篇的 DataFrame 拷贝过来了，如下：
import numpy as np
import pandas as pd
dates = pd.date_range('20200101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
print(df)
DataFrame 是由很多列组成的，其实可以看做是由多个 Series 组成，我们可以单独获取一列直接获得一个 Series ，如下：
# 获取单列，获得 Series
print(df['A'])
# 输出结果
2020-01-01 -0.065477
2020-01-02 -1.089716
2020-01-03 0.049215
2020-01-04 -0.017615
2020-01-05 -0.910402
2020-01-06 -0.008887
Freq: D, Name: A, dtype: float64
接下来我们可以通过 [] 对 DataFrame 进行切片操作，示例如下：
# 行切片
print(df[0:3])
print(df['20200101' : '20200103'])
# 输出结果
A B C D
2020-01-01 -0.065477 1.603827 1.152969 0.742842
2020-01-02 -1.089716 -0.540936 0.456917 0.295272
2020-01-03 0.049215 -1.182454 -0.294177 -0.698877
A B C D
2020-01-01 -0.065477 1.603827 1.152969 0.742842
2020-01-02 -1.089716 -0.540936 0.456917 0.295272
2020-01-03 0.049215 -1.182454 -0.294177 -0.698877
可以看到，我们通过整数或者是 columns 将 DataFrame 进行了行切片。
loc
我们可以通过使用 loc 进行 column 名和 index 名定位。
比如我们通过 column 提取出一行数据，如下：
# 用标签提取一行数据
print(df.loc[dates[0]])
# 输出结果
A -0.065477
B 1.603827
C 1.152969
D 0.742842
Name: 2020-01-01 00:00:00, dtype: float64
注意，这里的 dates 是我们在最前面生成的一个数组，这里的写法同样可以替换成 df.loc['20200101'] 。
同样我们可以通过切片的方式获取指定某几行的数据，如下：
# 用标签提取多列数据
print(df.loc[:, ['A', 'B']])
# 输出结果
A B
2020-01-01 -0.065477 1.603827
2020-01-02 -1.089716 -0.540936
2020-01-03 0.049215 -1.182454
2020-01-04 -0.017615 -0.777637
2020-01-05 -0.910402 -0.173959
2020-01-06 -0.008887 0.525035
# 用标签进行切片操作，同时制定行与列的结束点
print(df.loc['20200101':'20200103', ['A', 'B']])
# 输出结果
A B
2020-01-01 -0.065477 1.603827
2020-01-02 -1.089716 -0.540936
2020-01-03 0.049215 -1.182454
# 返回一行中的两列
print(df.loc['20200101', ['A', 'B']])
# 输出结果
A -0.065477
B 1.603827
Name: 2020-01-01 00:00:00, dtype: float64
那么我如果想获得一个指定位置的数据怎么办呢？当我们把 DataFrame 想像成为一个坐标系的时候，当然是指定横纵坐标可以确定一个唯一的点啊，如下：
# 获取某个标量值
print(df.loc[dates[0], 'A'])
# 输出结果
-0.06547653622759132
iloc
iloc 和上面的 loc 很像， loc 主要是通过行进行索引定位，而 iloc 是通过 index 也就是列进行索引定位，所以参数是整型， iloc 的英文全称为 index locate 。
先看一个简单的示例，我们先用整数选择出其中的一列：
# 用整数位置选择
print(df.iloc[3])
# 输出结果
A -0.017615
B -0.777637
C 0.824364
D 0.210244
Name: 2020-01-04 00:00:00, dtype: float64
这里我们还可以加上切片进行选择：
# 使用整数按行和列进行切片操作
print(df.iloc[3:5, 0:2])
# 输出结果
A B
2020-01-04 -0.017615 -0.777637
2020-01-05 -0.910402 -0.173959
# 用整数列表按位置切片
print(df.iloc[[1, 2, 4], [0, 2]])
# 输出结果
A C
2020-01-02 -1.089716 0.456917
2020-01-03 0.049215 -0.294177
2020-01-05 -0.910402 -1.140222
# 整行切片
print(df.iloc[1:3, :])
# 输出结果
A B C D
2020-01-02 -1.089716 -0.540936 0.456917 0.295272
2020-01-03 0.049215 -1.182454 -0.294177 -0.698877
# 整列切片
print(df.iloc[:, 1:3])
# 输出结果
B C
2020-01-01 1.603827 1.152969
2020-01-02 -0.540936 0.456917
2020-01-03 -1.182454 -0.294177
2020-01-04 -0.777637 0.824364
2020-01-05 -0.173959 -1.140222
2020-01-06 0.525035 -1.076101
同样，我们通过 iloc 也可以直接选择一个标量值：
# 获取某个标量值 同上
print(df.iloc[1, 1])
# 结果如下
-0.540936460611594
at 和 iat
at 和 iat 都是用来访问单个元素的，而且他们的访问速度要快于上面的 loc 和 iloc 。
at 使用方法与 loc 类似，示例如下：
print(df.at[dates[0], 'A'])
# 输出结果
-0.06547653622759132
iat 对于 iloc 的关系就像 at 对于 loc 的关系，示例如下：
print(df.iat[1, 1])
# 输出结果
-0.540936460611594
其他
我们还可以使用一些判断条件来选择数据，如用单列的值选择数据，示例如下：
print(df[df.A > 0])
# 输出结果
A B C D
2020-01-03 0.049215 -1.182454 -0.294177 -0.698877
上面这个示例是输出的所有 A 列大于 0 的数据。
还有直接使用整个 df 做判断的，示例如下：
print(df[df < 0])
# 输出结果
A B C D
2020-01-01 -0.065477 NaN NaN NaN
2020-01-02 -1.089716 -0.540936 NaN NaN
2020-01-03 NaN -1.182454 -0.294177 -0.698877
2020-01-04 -0.017615 -0.777637 NaN NaN
2020-01-05 -0.910402 -0.173959 -1.140222 -0.662615
2020-01-06 -0.008887 NaN -1.076101 -0.862407
示例代码
老规矩，所有的示例代码都会上传至代码管理仓库 Github 和 Gitee 上，方便大家取用。