获取指定列的第一行值
这个问题看起来简单得不可思议……但我没有找到我期待的简单答案。
那么，我该如何在Pandas中获取某一列的第n行的值呢？（我特别想知道第一行的值，但也想了解更一般的方法）。
举个例子，假设我想把
这样做的正确方法是什么呢？
>>> df_test
ATime X Y Z Btime C D E
0 1.2 2 15 2 1.2 12 25 12
1 1.4 3 12 1 1.3 13 22 11
2 1.5 1 10 6 1.4 11 20 16
3 1.6 2 9 10 1.7 12 29 12
4 1.9 1 1 9 1.9 11 21 19
5 2.0 0 0 0 2.0 8 10 11
6 2.4 0 0 0 2.4 10 12 15
10 个回答
一般来说，如果你想从一个叫做 pandas dataframe 的数据表中，提取出第 N 行 的第 J 列 的数据，最好的方法是：
data = dataframe[0:N][:,J]
1. df.iloc[0].head(1) - 这个代码的意思是从整个第一行中只取出第一个数据。
2. df.iloc[0] - 这个代码则是获取第一行的所有数据。
请注意，@unutbu 的回答在你想要设置一个新值之前是正确的，但如果你的数据框是一个视图，那么在设置新值时就会出现问题。
In [4]: df = pd.DataFrame({'foo':list('ABC')}, index=[0,2,1])
In [5]: df['bar'] = 100
In [6]: df['bar'].iloc[0] = 99
/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas-0.16.0_19_g8d2818e-py2.7-macosx-10.9-x86_64.egg/pandas/core/indexing.py:118: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
self._setitem_with_indexer(indexer, value)
另一种方法可以在设置和获取值时都能稳定工作：
In [7]: df.loc[df.index[0], 'foo']
Out[7]: 'A'
In [8]: df.loc[df.index[0], 'bar'] = 99
In [9]: df
Out[9]:
foo bar
0 A 99
2 B 100
1 C 100
还有一种方法可以做到这一点：
first_value = df['Btime'].values[0]
这种方法似乎比使用 .iloc 更快：
In [1]: %timeit -n 1000 df['Btime'].values[20]
5.82 µs ± 142 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In [2]: %timeit -n 1000 df['Btime'].iloc[20]
29.2 µs ± 1.28 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
要选择第 i 行，可以使用 iloc：
In [31]: df_test.iloc[0]
Out[31]:
ATime 1.2
X 2.0
Y 15.0
Z 2.0
Btime 1.2
C 12.0
D 25.0
E 12.0
Name: 0, dtype: float64
要选择 Btime 列中的第 i 个值，你可以这样做：
In [30]: df_test['Btime'].iloc[0]
Out[30]: 1.2
使用 df_test['Btime'].iloc[0]（推荐）和 df_test.iloc[0]['Btime'] 之间有区别：
数据框（DataFrame）是以列为基础来存储数据的（每一列的数据类型是相同的）。如果你先按列选择，可能会返回一个 视图（比返回一个副本要快），并且原来的数据类型会被保留。相反，如果你先按行选择，并且数据框中有不同数据类型的列，那么 Pandas 会把数据复制到一个新的对象类型的序列中。因此，选择列比选择行要快一点。所以，虽然 df_test.iloc[0]['Btime'] 可以用，但 df_test['Btime'].iloc[0] 效率稍高一些。
在赋值时，两者之间的区别很大。df_test['Btime'].iloc[0] = x 会影响到 df_test，但 df_test.iloc[0]['Btime'] 可能不会。下面会解释原因。因为索引的顺序有细微的差别会导致行为上的大不同，所以最好使用单一索引赋值：
df.iloc[0, df.columns.get_loc('Btime')] = x
df.iloc[0, df.columns.get_loc('Btime')] = x（推荐）：
给数据框赋新值的推荐方法是避免链式索引，而是使用andrew 提供的方法，
df.loc[df.index[n], 'Btime'] = x
或者
df.iloc[n, df.columns.get_loc('Btime')] = x
后者的方法稍微快一点，因为 df.loc 需要将行和列标签转换为位置索引，所以如果你使用 df.iloc，所需的转换会少一些。
df['Btime'].iloc[0] = x 可以用，但不推荐：
虽然这样可以用，但这是利用了数据框当前的实现方式。未来 Pandas 不一定会这样工作。特别是，它利用了当前 df['Btime'] 总是返回一个视图（而不是副本）的事实，因此 df['Btime'].iloc[n] = x 可以用来赋值到 df 的 Btime 列的第 n 个位置。
由于 Pandas 没有明确保证索引器何时返回视图或副本，使用链式索引的赋值通常会引发 SettingWithCopyWarning，即使在这种情况下赋值成功修改了 df：
In [22]: df = pd.DataFrame({'foo':list('ABC')}, index=[0,2,1])
In [24]: df['bar'] = 100
In [25]: df['bar'].iloc[0] = 99
/home/unutbu/data/binky/bin/ipython:1: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
self._setitem_with_indexer(indexer, value)
In [26]: df
Out[26]:
foo bar
0 A 99 <-- assignment succeeded
2 B 100
1 C 100
df.iloc[0]['Btime'] = x 不可用：
相反，使用 df.iloc[0]['bar'] = 123 不可用，因为 df.iloc[0] 返回的是一个副本：
In [66]: df.iloc[0]['bar'] = 123
/home/unutbu/data/binky/bin/ipython:1: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
In [67]: df
Out[67]:
foo bar
0 A 99 <-- assignment failed
2 B 100
1 C 100
警告：我之前建议使用 df_test.ix[i, 'Btime']。但这并不能保证你得到的是第 i 个值，因为 ix 会先尝试按标签索引，再按位置索引。所以如果数据框的整数索引不是从 0 开始的有序排列，使用 ix[i] 会返回标签为 i 的行，而不是第 i 行。例如，
In [1]: df = pd.DataFrame({'foo':list('ABC')}, index=[0,2,1])
In [2]: df
Out[2]:
foo
0 A
2 B
1 C
In [4]: df.ix[1, 'foo']
Out[4]: 'C'