网站布局结构图海口网站建设电话

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

1. 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。
2. 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。