python - 与 pandas 系列切片的混淆

Question

我有一个 pandas DataFrame，其中一列是出租车行驶的行程距离。我在用着 此列上的 value_counts() 以便查看最常见的行程距离。

b = df['trip_distance'].value_counts()

对象 b 是 pandas Series 对象。为了完整起见，本系列的前 5 行是

1.00     21815
0.90     18915
0.80     18449
1.10     18263
1.20     17823

这意味着最常见的行程距离为 1，出现了 21815 次，其余相同。

但是，如果我输入 b[0:4] 而不是打印该系列的前 4 个元素，它会找到与 0 行程距离相对应的元素，并开始打印所有行程距离，直到达到行程距离 4。当然，如果行程距离 4 在行程距离 0 之前，则返回一个空 Series。

尽管如此，当我在自定义系列上尝试时

a = pd.Series([3, 1, 2, 3, 4, 4, 5]).value_counts()

打印a给出

 4    2
 3    2
 5    1
 2    1
 1    1

当我尝试对这个系列进行切片时，即当我输入 a[0, 3] 时，我得到了预期的结果

4    2
3    2
5    1

有谁知道为什么会这样吗？ 我知道这可以使用 iloc/loc 来完成，我只是好奇为什么切片在一个列表中有效，但在另一个列表中无效。

提前致谢。

Answer 1

在对 Series 中的值(或数据帧中的行)进行索引时，我始终建议您使用 .loc 和 .iloc 索引访问器。本质上，通过使用这些访问器，您明确告诉 pandas loc:“此切片将基于索引的顺序”或 iloc:“此切片将基于关于值的顺序”。当您不使用 loc/iloc (例如您的情况)并且有数字索引时，棘手的部分就会出现。当您不使用其中任何一个时，pandas 会尝试推断您是指索引顺序还是值的顺序。本质上，如果您使用一系列数字进行切片，pandas 会假设您正在尝试使用值的位置 - 忽略索引。

import pandas as pd

data = pd.Series([5,6,7,8,9], index=range(10, 15))
print(data)

10    5
11    6
12    7
13    8
14    9
dtype: int64

使用.loc从索引中获取与切片“a”到“c”相对应的值:

# Slice based on the index values 11 to 13
data.loc[11:13]
11    6
12    7
13    8
dtype: int64

但是，如果我们想要基于其在系列中的位置的值，我们可以使用iloc。您还会注意到，iloc 生成的切片不包含最终值(例如，我们仅返回元素 1 和 2，并在下面的示例中省略 3)。而在上面使用 loc 的示例中，我们返回了索引中对应于 11、12 和 13 的元素。

data.iloc[1:3]
11    6
12    7
dtype: int64

既然已经说过了，我希望你明白为什么这意味着什么非常不清楚:

data[11:13]

我们是否要求 pandas 在索引中找到值 11 到 13 存在的位置并给我们该切片？或者我们要的是这个系列的第 12 个和第 13 个元素？在本例中，pandas 使用了后者(见下文)。但是，我鼓励您始终使用 loc 或 .iloc 切片为 Series 或 DataFrame，以避免这种歧义。

data[11:13]
Series([], dtype: int64)

这只是为了对基于整数的索引进行切片。您的问题来自 pandas 如何实现 float 类型索引(这是真正的思维扭曲):

data.index = data.index.astype("float")
print(data)
10.0    5
11.0    6
12.0    7
13.0    8
14.0    9
dtype: int64

现在突然之间，您可以执行此操作，它会返回值，就像您使用 .loc 一样:

data[11:13]
11.0    6
12.0    7
13.0    8
dtype: int64

那么什么给出了呢？本质上，必须做出决定。需要某种类型的默认行为来切片为系列，不幸的是，它依赖于索引，这使得它在索引数据类型之间感觉不稳定。值得庆幸的是，通过使用 loc 和 iloc，您可以避免所有这些困惑。