为什么pandas DataFrame的[]（__getitem__）有时选择列，有时选择行？

Question

考虑这个数据框：

In [40]: df = pd.DataFrame({'A': [1, 1], 'B': [2, 2], 'C': [3, 3]})

In [41]: df
Out[41]:
   A  B  C
0  1  2  3
1  1  2  3

如果我将一个字符串列表传递给[]，它将过滤列：

In [42]: df[['A', 'C']]
Out[42]:
   A  C
0  1  3
1  1  3

但如果我将一个布尔列表传递给[]，它会过滤行：

In [45]: df[[True, False]]
Out[45]:
   A  B  C
0  1  2  3

有没有一种思考这种差异的方式，而不是“它就是这样子”的想法？

- Heisenberg

---

是的，问题的关键在于 df[...] 通常会尝试将你传递给 __getitem__ 的任何内容作为列索引器应用，除非你传递了一个布尔掩码。例如，尝试使用 df[[0, 1]]，你就会明白。 - cs95

确实这是最佳实践，但如果你知道自己在做什么，它可以帮助你减少一些字符 ;) - cs95

pandas文档实际上建议在生产代码中使用.loc方法（或.iloc方法），也是为了优化原因。[]索引运算符基本上是一种“便利”方法：它旨在让您以最少的字符访问数据值，以满足一些最常见的用例。 - Xukrao

大部分情况下，我会使用.loc而不是[]。 - BENY

@AntonvBR 我不相信你可以在 iloc 中使用布尔掩码，这种情况下你必须使用另一种方法 :-) - cs95

Answer 1

我的理解是，这个功能是为了模仿 R 语言的行为，使得迁移 R 脚本更加容易，并且它开始使用 ix，不过现在已经被弃用。以前有很多种方法来进行切片操作，但是现在我们只剩下以下几种：

1. 获取单个元素，即获取一列数据。
2. 获取多列数据，即获取一个子数据框。
3. 通过布尔索引获取数据。

个人而言，我喜欢对所有的操作都使用 __getitem__ 方法：

In [11]: df[['A', 'C']]
Out[11]:
   A  C
0  1  3
1  1  3

In [12]: df['A']
Out[12]:
0    1
1    1
Name: A, dtype: int64

虽然可选方案更少歧义（loc（或iloc）过于冗长：

In [13]: df.loc[:, ['A', 'B']]
Out[13]:
   A  B
0  1  2
1  1  2

In [14]: df.loc[:, 'A']
Out[14]:
0    1
1    1
Name: A, dtype: int64

值得注意的是，布尔掩码通常不会产生歧义，除非您有一个奇特的示例，其中布尔列和输入长度与数据帧相匹配。

In [21]: df1 = pd.DataFrame({True: [1, 2], False: [3, 4]})

In [22]: df1
Out[22]:
   False  True
0      3      1
1      4      2

In [23]: df1[[True, False]]  # boolean slicing (not as column names)
Out[23]:
   False  True
0      3      1

历史上，ix 存在潜在的歧义问题（以及性能问题 - 有很多可能的路径可以选择）。因此，除了消除歧义之外，移动到 loc 和 iloc 还导致更快的代码（通常使用 iloc 如果可以的话它是最快的）。

- Andy Hayden

---

R对于[]没有这种歧义，这就是我感到困惑的原因。例如，df[c('A', 'C')]和df[c(TRUE, FALSE, TRUE)]都会在R中过滤列，保留列A和C。 - Heisenberg

@Heisenberg 在 R 中，我认为应该是 df[, c(TRUE, FALSE, TRUE)]？逻辑索引与 pandas 中的相同，我认为... https://stats.idre.ucla.edu/r/modules/subsetting-data/ - Andy Hayden

在 R 中，就像你所说的，我们可以使用 df[row_index, col_index] 进行子集化。我们还可以使用 df[col_index] 来选择列，其中 col_index 可以是标签、整数或布尔值。在 R 中，df[col_index] 总是选择列，这就是我所说的“关于 [] 的歧义，在 R 中不存在”的意思。 - Heisenberg

Answer 2

索引和选择数据文档提到，[]运算符更多是为了方便而提供的。因此，它是针对行还是列进行操作似乎取决于什么被认为是常见操作。

Python和NumPy索引运算符[]和属性运算符.在各种用例中快速轻松地访问pandas数据结构。这使得交互式工作变得直观，如果您已经知道如何处理Python字典和NumPy数组，则几乎没有新东西需要学习。但是，由于要访问的数据类型事先不知道，直接使用标准运算符存在一些优化限制。对于生产代码，我们建议您利用本章介绍的优化pandas数据访问方法。

使用DataFrame，在[]内部进行切片将切片行。这主要是为了方便，因为它是如此常见的操作。

您可以使用与DataFrame索引长度相同的布尔向量从DataFrame中选择行。

由于使用[]进行索引必须处理许多情况（单标签访问、切片、布尔索引等），因此需要一些开销来确定您要请求的内容。

到目前为止，我发现以下内容：

选择行

- 布尔索引df[[True, False]] - 切片df[0:1] 选择列

- 单个标签df['A'] - 标签列表df[['A', 'C']] 虽然它们选择了看起来合理的行为，但“这就是它的方式”。此外，似乎没有关于[]索引运算符的清晰文档 - 至少会有所帮助。

- ap-osd