喜欢的条友记得关注、点赞、转发、收藏，你们的支持就是我最大的动力源泉。

亲爱的数据探索者们，你们好！如果你对挖掘数据的深层含义充满好奇，那么这篇文章将是你的理想指南。请跟随我一起，我们将深入探索Python中的pandas库，这是数据分析的瑞士军刀。

首先，你需要先安装Python程序和开发环境：

「Python3.11.0」手把手教你安装最新版Python运行环境

Python启航：30天编程速成之旅（第2天）-IDE安装

【Python教程】JupyterLab 开发环境安装

在上一篇文章中，我们揭开了pandas的神秘面纱，学习了如何安装和调用它，以及如何创建和查看基本的数据结构。今天，我们将更进一步，学习如何选择数据，这是数据分析中的关键步骤。

前期准备数据代码：

import pandas as pd
import numpy as np

# 使用date_range方法创建连续的日期
my_date = pd.date_range("20241001", periods=7)
# 传递带有日期时间索引的 NumPy 数组来创建 DataFrame
df = pd.DataFrame(np.random.randn(7, 4), index=my_date, columns=['第一次', '第二次', '第三次', '第四次'])
df

数据：

数据选择的技巧

在pandas中，数据选择是一门艺术，也是一种科学。我们可以通过多种方式来选择我们感兴趣的数据。

选择单列数据

想象一下，你只对“第一次”尝试的结果感兴趣。在pandas中，这非常简单：

df["第一次"]

运行结果 ：

选择多行数据

如果你想要查看前三行的数据，或者特定日期范围内的数据，pandas也能轻松应对：

df[0:3]

df["2024-10-02":"2024-10-04"]

按标签选择

有时候，我们更倾向于使用标签来选择数据。pandas提供了loc方法，让我们能够精确地选择我们想要的行和列：

df.loc[my_date[0]]

df.loc[:, ["第二次", "第四次"]]

df.loc["2024-10-02":"2024-10-04", ["第二次", "第四次"]]

df.loc[my_date[0], "第二次"]

要快速访问标量（相当于前面的方法）：

df.at[my_date[0], "第二次"]

按位置选择

如果你更喜欢按位置来选择数据，iloc方法是你的好帮手：

df.iloc[3]

df.iloc[3:5, 0:2]

df.iloc[[1, 2, 4], [0, 2]]

df.iloc[1:3, :]

df.iloc[:, 1:3]

快速访问单个值

在数据分析中，我们经常需要快速访问单个值。

df.iloc[1, 1]

df.iat[1, 1]

喜欢的条友记得关注、点赞、转发、收藏，你们的支持就是我最大的动力源泉。