Пandаs loc - удобный способ доступа к данным в pandas

Когда речь заходит о работе с данными в библиотеке pandas, одной из самых удобных и мощных функций является loc. Метод .loc позволяет осуществлять индексацию и выборку данных по меткам с помощью логических условий. Он является более предпочтительным и гибким способом доступа к данным, чем использование числовых индексов.

Для того чтобы понять, как использовать loc, рассмотрим следующий пример. Предположим, у нас есть DataFrame с данными о студентах:

import pandas as pd

data = {
    'Имя': ['Алексей', 'Елена', 'Иван', 'Мария'],
    'Возраст': [20, 22, 21, 23],
    'Оценка': [4.5, 3.9, 4.2, 4.7]
}

df = pd.DataFrame(data)

Теперь давайте рассмотрим несколько примеров использования loc.

4.1. Выборка по одной метке столбца:

df.loc[:, 'Имя']  # Вернет столбец 'Имя'

4.2. Выборка по нескольким меткам столбцов:

df.loc[:, ['Имя', 'Оценка']]  # Вернет столбцы 'Имя' и 'Оценка'

4.3. Выборка по диапазону меток столбцов:

df.loc[:, 'Возраст':'Оценка']  # Вернет столбцы от 'Возраст' до 'Оценка' включительно

4.4. Выборка по условию в одном столбце:

df.loc[df['Возраст'] > 20]

Вернет только тех студентов, чей возраст превышает 20 лет.

4.5. Выборка по условию в нескольких столбцах:

df.loc[(df['Возраст'] > 20) & (df['Оценка'] > 4.0)]

Вернет только тех студентов, у которых возраст больше 20 лет и оценка выше 4.0.

4.6. Выборка по условию в нескольких столбцах и выбор определенных столбцов:

df.loc[(df['Возраст'] > 20) & (df['Оценка'] > 4.0), ['Имя', 'Возраст']]

Вернет только имена и возраст студентов, у которых возраст больше 20 лет и оценка выше 4.0.

Кроме того, loc позволяет также выбирать данные по меткам строк, а не только столбцов. Это особенно полезно, когда индексы строк представляют собой даты или другие временные метки.

В заключение, использование loc позволяет более гибко и удобно работать с данными в pandas. Он предоставляет возможность выборки данных по меткам столбцов и строк, а также использование логических условий для выборки определенных значений. Это один из важных инструментов, которые способствуют более эффективной обработке и анализу данных с использованием библиотеки pandas.