最近接触到数据科学，需要对一些数据表进行分析，观察到代码中一会出现loc一会又出现iloc，下面对两者的用法给出我的一些理解。

1.联系

(1)操作对象相同：loc和iloc都是对DataFrame类型进行操作；

(2)完成目的相同：二者都是用于选取DataFrame中对应行或列中的元素。

2.区别

loc和iloc索引的行列标签类型不同。

iloc使用顺序数字来索引数据，而不能使用字符型的标签来索引数据；注意：这里的顺序数字是指从0开始计数！

loc使用实际设置的索引来索引数据。但行列名为数字时，loc也可以索引数字，但这里的数字不一定从0开始编号，是对应具体行列名的数字！

3.用法

下面用代码来讲解两者的用法。

3.1行列全为从0开始顺序编号

import pandas as pd
import numpy as npa = np.arange(12).reshape(3,4)
#将a转化为DataFrame类型
df = pd.DataFrame(a)
#展示df
df

由于未给df的行列命名，默认从0开始编号，所以这个时候使用loc和iloc结果是一样的。

索引为一个数，默认输出行
print(df.loc[0])#输出第0行元素
print(df.iloc[0])#输出第0行元素

 两者输出结果都为：

0    0
1    1
2    2
3    3
Name: 0, dtype: int32

输出结果为df第0行元素，结果中第一列表示列名，第二列表示具体的值。如果只需要输出某一列，输入df.loc[：，0]表示输出第0列。

如果需要输出第0到2列的数据。

#方式1
df.loc[:,0:2]#可把loc理解为遍历字符串类型，0:2则表示标签为0,1,2三列
#方式2
df.iloc[:,0:3]#iloc遍历的数数字，python中0:3对应0,1,和2

输出结果均为：

  3.2有一行或列不是从0顺序编号

#把行标签换成其他数字编号
df.index=[2,5,7]
df.loc[2]

此时df变为：

 输出结果为：

0    0
1    1
2    2
3    3
Name: 2, dtype: int32

输出结果对应的是列标签为“2”所在的行。

我们继续用df.iloc[2]输出结果：

0     8
1     9
2    10
3    11
Name: 7, dtype: int32

可见输出的是第2行的数据。

在这里我们能大概对loc和iloc的用法有了一定的了解。

3.3行或者列为非数字标签

#把行标签转化为非数字类型
df.index=['a','b','c']
#输出第a、b行，第0到2列的数据
#方式1
df.loc[['a','b'],0:2]#可把loc理解为遍历字符串类型，0:2则表示标签为0,1,2三列
#方式2
df.iloc[0:2,0:3]#iloc遍历的是数字，0:2表示的是0和1,0:3表示0,1,2。

两者输出结果均为：

 3.4 其他用法

一般情况下，表的行为从0编号的数字类型，列为具体的字符串类型。行的数字容易确定，列的列名容易确定。

#将行换成0 1 2编号
df.index=[0,1,2]
#列标签换成A B C D
df.columns=['A','B','C','D']
df.iloc[1]['A']#实现输出第1行第A列的数据

输出结果为4。

如果要输出第1行，第AB列，使用df.iloc[1][['A','B']]，这里一定要注意'A','B'是作为一个列表输入的，右侧一共有两个中括号。

输出结果：

A    4
B    5
Name: 1, dtype: int32

df.iloc[1][['A','B']]等价于df.iloc[1,0:2]，但是很多情况下我们不知道具体列名对应的数字，所以采用第一种方法可以提高编程效率。