本篇博客通过例子的解释试图来描述清楚ix，尤其是与iloc和loc的联系。

首先，再次介绍这三种方法的概述：

• loc gets rows (or columns) with particular labels from the index. loc从索引中获取具有特定标签的行（或列）。
• iloc gets rows (or columns) at particular positions in the index (so it only takes integers). iloc在索引中的特定位置获取行（或列）（因此它只接受整数）。
• ix usually tries to behave like loc but falls back to behaving like iloc if a label is not present in the index. ix通常会尝试像loc一样行为，但如果索引中不存在标签，则会退回到像iloc一样的行为。(这句话有些绕口，没关系，关于ix特点，后面会详细讲解)

1 使用ix切分Series

请注意：在pandas版本0.20.0及其以后版本中，ix已经不被推荐使用，建议采用iloc和loc实现ix。这是为什么呢？这是由于ix的复杂特点可能使ix使用起来有些棘手：

1. 如果索引是整数类型，则ix将仅使用基于标签的索引，而不会回退到基于位置的索引。如果标签不在索引中，则会引发错误。
2. 如果索引不仅包含整数，则给定一个整数，ix将立即使用基于位置的索引而不是基于标签的索引。但是，如果ix被赋予另一种类型（例如字符串），则它可以使用基于标签的索引。

接下来举例说明这2个特点。

1.1 特点1举例

>>> s = pd.Series(np.nan, index=[49,48,47,46,45, 1, 2, 3, 4, 5])
>>> s
49 NaN
48 NaN
47 NaN
46 NaN
45 NaN
1 NaN
2 NaN
3 NaN
4 NaN
5 NaN

现在我们来看使用整数3切片有什么结果：

在这个例子中，s.iloc[:3]读取前3行（因为iloc把3看成是位置position），而s.loc[:3]读取的是前8行（因为loc把3看作是索引的标签label）

>>> s.iloc[:3] # slice the first three rows
49 NaN
48 NaN
47 NaN

>>> s.loc[:3] # slice up to and including label 3
49 NaN
48 NaN
47 NaN
46 NaN
45 NaN
1 NaN
2 NaN
3 NaN

>>> s.ix[:3] # the integer is in the index so s.ix[:3] works like loc
49 NaN
48 NaN
47 NaN
46 NaN
45 NaN
1 NaN
2 NaN
3 NaN

注意：s.ix[:3]返回的结果与s.loc[:3]一样，这是因为如果series的索引是整型的话，ix会首先去寻找索引中的标签3而不是去找位置3。

如果，我们试图去找一个不在索引中的标签，比如说是6呢？

>>> s.iloc[:6]
49 NaN
48 NaN
47 NaN
46 NaN
45 NaN
1 NaN

>>> s.loc[:6]
KeyError: 6

>>> s.ix[:6]
KeyError: 6

在上面的例子中，s.iloc[:6]正如我们所期望的，返回了前6行。而，s.loc[:6]返回了KeyError错误，这是因为标签6并不在索引中。

那么，s.ix[:6]报错的原因是什么呢？正如我们在ix的特点1所说的那样，如果索引只有整数类型，那么ix仅使用基于标签的索引，而不会回退到基于位置的索引。如果标签不在索引中，则会引发错误。

1.2 特点2举例

接着例子1来说，如果我们的索引是一个混合的类型，即不仅仅包括整型，也包括其他类型，如字符类型。那么，给ix一个整型数字，ix会立即使用iloc操作，而不是报KeyError错误。

>>> s2 = pd.Series(np.nan, index=['a','b','c','d','e', 1, 2, 3, 4, 5])
>>> s2.index.is_mixed() # index is mix of different types
True
>>> s2.ix[:6] # now behaves like iloc given integer
a NaN
b NaN
c NaN
d NaN
e NaN
1 NaN

注意：在这种情况下，ix也可以接受非整型，这样就是loc的操作：

>>> s2.ix[:'c'] # behaves like loc given non-integer
a NaN
b NaN
c NaN

这个例子就说明了ix特点2。

正如前面所介绍的，ix的使用有些复杂。如果仅使用位置或者标签进行切片，使用iloc或者loc就行了，请避免使用ix。

2 在Dataframe中使用ix实现复杂切片

有时候，在使用Dataframe进行切片时，我们想混合使用标签和位置来对行和列进行切片。那么，应该怎么操作呢？

举例，考虑有下述例子中的Dataframe。我们想得到直到包含标签'c'的行和前4列。

>>> df = pd.DataFrame(np.nan, 
      index=list('abcde'),
      columns=['x','y','z', 8, 9])
>>> df
 x y z 8 9
a NaN NaN NaN NaN NaN
b NaN NaN NaN NaN NaN
c NaN NaN NaN NaN NaN
d NaN NaN NaN NaN NaN
e NaN NaN NaN NaN NaN

在pandas的早期版本（0.20.0）之前，ix可以很好地实现这个功能。

我们可以使用标签来切分行，使用位置来切分列（请注意：因为4并不是列的名字，因为ix在列上是使用的iloc）。

>>> df.ix[:'c', :4]
 x y z 8
a NaN NaN NaN NaN
b NaN NaN NaN NaN
c NaN NaN NaN NaN

在pandas的后来版本中，我们可以使用iloc和其它的一个方法就可以实现上述功能：

>>> df.iloc[:df.index.get_loc('c') + 1, :4]
 x y z 8
a NaN NaN NaN NaN
b NaN NaN NaN NaN
c NaN NaN NaN NaN

get_loc() 是得到标签在索引中的位置的方法。请注意，因为使用iloc切片时不包括最后1个点，因为我们必须加1。

可以看到，只使用iloc更好用，因为不必理会ix的那2个“繁琐”的特点。

3 参考文献
https://stackoverflow.com/questions/31593201/pandas-iloc-vs-ix-vs-loc-explanation-how-are-they-different

到此这篇关于pandas中ix的使用详细讲解的文章就介绍到这了,更多相关pandas ix内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！