新的seo网站优化排名 排名如何提升关键词的自然排名
Pandas2.2 DataFrame
Indexing, iteration
| 方法 | 描述 |
|---|---|
| DataFrame.head([n]) | 用于返回 DataFrame 的前几行 |
| DataFrame.at | 快速访问和修改 DataFrame 中单个值的方法 |
| DataFrame.iat | 快速访问和修改 DataFrame 中单个值的方法 |
| DataFrame.loc | 用于基于标签（行标签和列标签）来访问和修改 DataFrame 中的数据 |
| DataFrame.iloc | 用于基于整数位置（行号和列号）来访问和修改 DataFrame 中的数据 |
| DataFrame.insert(loc, column, value[, …]) | 用于在 DataFrame 的指定位置插入一个新的列 |
| DataFrame.iter() | 用于迭代 DataFrame 的列名 |
| DataFrame.items() | 用于迭代 DataFrame 的列名和列数据 |
| DataFrame.keys() | 返回 DataFrame 的列名 |
| DataFrame.iterrows() | 用于逐行迭代 DataFrame |
pandas.DataFrame.iterrows()
pandas.DataFrame.iterrows() 方法用于逐行迭代 DataFrame，每次迭代返回一个包含行索引和行数据的元组。行数据以 Series 对象的形式返回，其中索引是列名，值是该行对应列的值。
语法
for index, row in DataFrame.iterrows():# 处理行索引和行数据
示例
假设我们有一个 DataFrame 如下：
import pandas as pddata = {'A': [1, 2, 3],'B': [4, 5, 6],'C': [7, 8, 9]
}df = pd.DataFrame(data, index=['row1', 'row2', 'row3'])
print(df)
输出：
A B C
row1 1 4 7
row2 2 5 8
row3 3 6 9
迭代行索引和行数据
使用 iterrows() 方法逐行迭代 DataFrame：
for index, row in df.iterrows():print(f"Index: {index}")print(f"Row: {row}")print()
输出：
Index: row1
Row: A 1
B 4
C 7
Name: row1, dtype: int64Index: row2
Row: A 2
B 5
C 8
Name: row2, dtype: int64Index: row3
Row: A 3
B 6
C 9
Name: row3, dtype: int64
访问特定列的值
在迭代行数据时，访问特定列的值：
for index, row in df.iterrows():print(f"Index: {index}, A: {row['A']}, B: {row['B']}, C: {row['C']}")
输出：
Index: row1, A: 1, B: 4, C: 7
Index: row2, A: 2, B: 5, C: 8
Index: row3, A: 3, B: 6, C: 9
注意事项
- 性能问题:
iterrows()在处理大型 DataFrame 时性能较差，因为它会将每一行转换为Series对象，这会导致额外的开销。对于性能敏感的操作，建议使用itertuples()或向量化操作。 - 修改数据: 在迭代过程中修改 DataFrame 的数据可能会导致不可预测的结果。如果需要修改数据，建议先创建一个副本或使用其他方法。
总结
pandas.DataFrame.iterrows() 方法提供了一种逐行迭代 DataFrame 的方式，每次迭代返回一个包含行索引和行数据的元组。虽然使用方便，但在处理大型数据集时需要注意性能问题。对于需要逐行处理数据的场景，iterrows() 是一个有用的工具。