除了最基本的筛选外，例：data[‘A’]
还有loc、iloc、ix（已不推荐使用）

我对它们的区分，说loc（location），在教室里找不认识的同学的位置一样的，找人肯定要知道名字或者身高形体（条件），所以loc就只能用条件或者行列的名字来进行筛选；
再说iloc（indx location），index是什么，我把它当作是索引位置，第几行第几列的意思，所以iloc是用第几行第几列这样的数字来筛选的。
或许我形容的不够好，我下面的演示自己做一遍，会有深刻的印象。

---

下面就对loc和iloc各种操作演示一下，还有什么缺少的操作可以提醒我补充，大家一起学习进步。
首先创建一个数据data用于两个函数的操作。

import pandas as pd
import numpy as npdata = pd.DataFrame(np.random.randint(100,size=(10,10)),\columns=['a','b','c','d','e','f','g','h','i','j'],\index=['A','B','C','D','E','F','G','H','I','J'])
data

以下方法中都可以采用切片的，十分方便，我演示的不多，还有待大家自行举一反三练习呀。

小声哔哔，有人问切片是啥，emm，这是还没入门啊，先学完切片再来看。

一、loc

loc[行索引名称或条件,列索引名称或者标签]

（一）读取某行

# 读取第二行的所有列
data.loc['B',:] # 等价于data.loc['B']

（二）读取某列

# 读取第一列的所有行
data.loc[:,'a']

（三）读取某行的同时读取某列

# 读取第一列第一行
data.loc['A','a']

loc支持切片这种骚操作.

# 读取第一行到第四行的第三列到第五列
data.loc['A':'D','c':'e']

（四）按照条件读取

data.loc[data.a > 50] # 等于data[data.a > 50]

不过这里还可以对列进行选择，切片也是行的

data.loc[data.a > 50, ['b','a']]

另外、错误示范

有些人就是不信邪，用loc执行直接找第几行的操作，不行的，loc只能名字和条件，你要是想找第几行要用iloc。

二、iloc

iloc[行索引位置,列索引位置]

以下尽量和loc读取一样的行或列，方便大家比较。

（一）读取某行

# 读取第一行的所有列
data.iloc[1] # 结果等价于data.loc['B',:] == data.iloc[1,:]

（二）读取某列

# 读取第一列的所有行
data.iloc[:,1]

（三）读取某行的同时读取某列

# 读取第一行第一列,python的位置都是从0开始的，第一行的表示就是0
data.iloc[0,0] # 结果等价于 data.loc['A','a']

同样的，无论是loc还是iloc它里面的参数都是可以进行切片操作的。
注意，这里的数字切片和上面的索引切片不一样，它的区间是左闭右开的，右边最后一个取不到

# 读取第一行到第四行的第二列到第五列
data.iloc[0:4,2:5] # 结果等价于data.loc['A':'D','c':'e']