与 pandas 系列切片混淆

Question

我有一个 pandas DataFrame，其中一列是出租车的行程距离。我在用着 value_counts() 在此列中查看最常见的出行距离。

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

对象 b 是一个熊猫系列对象。为了完整起见，这个系列的前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是 1，它出现了 21815 次，其余的都一样。

但是，如果我键入 b[0:4] 而不是打印此系列的前 4 个元素，它会找到与 0 行程距离对应的元素，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，则返回一个空系列。

不过，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

 4    2
 3    2
 5    1
 2    1
 1    1

当我尝试分割这个系列时，也就是说，当我输入 a[0, 3] 时，我得到了预期

4    2
3    2
5    1

有人知道为什么会这样吗？ 我知道这可以通过 iloc/loc 完成，我只是好奇为什么切片在一个列表中有效，而在另一个列表中无效。

提前致谢。

Answer 1

从系列（或数据帧中的行）索引值时，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，您明确告诉熊猫loc：“这个切片将基于索引的顺序”或iloc：“这个切片将基于值的顺序”。当您不使用 loc/iloc（例如您的案例）并且具有数字索引时，棘手的部分就出现了。当您不使用任何一个时，pandas 会尝试推断您是指索引排序还是值的排序。本质上，如果您使用一系列数字进行切片，pandas 会假定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从索引中获取对应切片“a”到“c”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，如果我们想要基于它们在系列中的位置的值，我们使用iloc。您还会注意到iloc 生成的切片不包含最终值（例如，我们只返回元素 1 和 2，并在下面的示例中省略了 3）。而在上面使用 loc 的示例中，我们返回了与索引中的 11、12 和 13 对应的元素。

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

既然说了这么多，我希望你明白为什么它的意思非常不清楚：

data[11:13]

我们是在要求 pandas 在索引中找到值 11 到 13 的位置并给我们那个切片吗？还是我们要求这个系列的第 12 和第 13 个元素？在这种情况下，pandas 使用了后者（见下文）。但是，为了避免这种歧义，我建议您始终使用 loc 或 .iloc 分割成系列或数据帧。

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 如何实现浮动类型索引（这是真正的绕口令）：

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：

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

那是什么？本质上，必须做出决定。切片成系列需要某种类型的默认行为，不幸的是，它取决于索引，使其在索引数据类型中感觉不稳定。值得庆幸的是，您可以通过使用loc 和iloc 来避免所有这些混淆。