鉴于 pandas 0.20.0 和 deprecation of .ix 的更新，我想知道使用剩余的 .loc 和 .iloc 获得相同结果的最有效方法是什么。我刚刚回答了this question，但第二个选项（不使用.ix）似乎效率低下且冗长。
片段：
print df.iloc[df.loc[df['cap'].astype(float) > 35].index, :-1]
当同时使用条件和索引位置过滤时，这是正确的方法吗？
【问题讨论】：
Pandas 移除 .ix，并鼓励您使用 .iloc、.loc 。
对此您可以参考 iloc、loc 的定义以及它们与 ix 的不同之处， 这可能会对您有所帮助。
【讨论】：
您可以留在单个loc 的世界中，通过使用位置对特定索引进行切片来获取所需的索引值。
df.loc[
df['cap'].astype(float) > 35,
df.columns[:-1]
]
【讨论】：
通常，您希望避免在 pandas 中使用链式索引（但严格来说，您实际上使用了两种不同的索引方法）。您不能以这种方式修改您的数据框（docs 中的详细信息），并且文档将性能作为另一个原因（索引一次与两次）。
对于后者，它通常是微不足道的（或者更确切地说，不太可能成为代码中的瓶颈），实际上似乎并非如此（至少在以下示例中）：
df = pd.DataFrame(np.random.uniform(size=(100000,10)),columns = list('abcdefghij'))
# Get columns number 2:5 where value in 'a' is greater than 0.5
# (i.e. Boolean mask along axis 0, position slice of axis 1)
# Deprecated .ix method
%timeit df.ix[df['a'] > 0.5,2:5]
100 loops, best of 3: 2.14 ms per loop
# Boolean, then position
%timeit df.loc[df['a'] > 0.5,].iloc[:,2:5]
100 loops, best of 3: 2.14 ms per loop
# Position, then Boolean
%timeit df.iloc[:,2:5].loc[df['a'] > 0.5,]
1000 loops, best of 3: 1.75 ms per loop
# .loc
%timeit df.loc[df['a'] > 0.5, df.columns[2:5]]
100 loops, best of 3: 2.64 ms per loop
# .iloc
%timeit df.iloc[np.where(df['a'] > 0.5)[0],2:5]
100 loops, best of 3: 9.91 ms per loop
底线：如果您真的想避免.ix，并且您不打算修改数据框中的值，只需使用链式索引即可。另一方面（“正确”但可以说是更混乱的方式），如果您确实需要修改值，请使用np.where() 或.loc 使用df.index 或df.columns 的整数切片执行.iloc。
【讨论】：
如何将其分解为两步索引：
df[df['cap'].astype(float) > 35].iloc[:,:-1]
甚至：
df[df['cap'].astype(float) > 35].drop('cap',1)
【讨论】：
.loc，所以谢谢你。这绝对有效 - 所以一般来说，.ix 的弃用是否会强制需要对这些类型的查询进行两步索引？
loc 你可以使用df.loc[df['cap'].astype(float) > 35, :"Marketcap"]，虽然仍然不能使用基于位置的索引。