Pandas中iloc与数据清洗流程的结合

在Pandas中，iloc是基于位置的索引方式，它允许我们通过行号和列号来选择数据

1. 导入所需库：

import pandas as pd
import numpy as np

2. 创建或读取数据集：

data = {'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8], 'C': [9, 10, 11, 12]}
df = pd.DataFrame(data)

3. 使用iloc进行数据清洗：

   • 删除特定行：

   df_cleaned = df.drop(df.iloc[1]) # 删除第二行
   

   • 删除特定列：

   df_cleaned = df.drop(columns=df.columns[1]) # 删除第二列（B列）
   

   • 修改特定值：

   df.iloc[1, 1] = 99 # 将第二行第二列的值修改为99
   

   • 筛选特定范围的数据：

   df_filtered = df.iloc[1:3, 1:3] # 筛选第二行到第三行，第二列到第三列的数据
   

   • 对特定范围的数据进行操作：

   df.iloc[1:3, 1:3] = df.iloc[1:3, 1:3] * 2 # 将第二行到第三行，第二列到第三列的数据乘以2
   

通过这些示例，你可以看到如何在数据清洗流程中结合使用iloc和Pandas。在实际应用中，你可能需要根据数据集的特点和需求进行更复杂的数据处理。