for python 创建索引 python中索引怎么用

pandas 的索引

索引是非常重要的一个功能，使用索引我们就可以对数据进行选取和筛选

四种索引形式：

1. 使用位置做索引
2. 使用列表做索引
3. 使用切片做索引
4. 使用bool类型索引

** A、选取行: **

使用 loc 或者 iloc 函数来实现

import pandas as pd

filepath = '销售客户信息.xlsx'

df = pd.read_excel(filepath)

df

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
3	10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
4	10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4995	10004996	2019-06-30	女	48	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4996	10004997	2019-06-30	女	26	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4997	10004998	2019-06-30	男	18	2019-07-03	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	98.00
4998	10004999	2019-06-30	男	30	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4999	10005000	2019-06-30	男	26	2019-06-30	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	52.00

5000 rows × 14 columns

直接索引，获取第2 行

df.loc[2]

用户ID                    10000003
注册时间         2018-01-01 00:00:00
性别                             男
年龄                            50
会员开通时间       2018-07-06 00:00:00
会员类型                         VIP
城市                           北京市
区域                           北京市
最后一次登陆       2019-06-30 00:00:00
最后一次成交       2019-06-27 00:00:00
非会员累计购买次数                     12
非会员累计消费                  1369.56
会员累计购买次数                      19
会员累计消费                   1526.65
Name: 2, dtype: object

列表索引，列表可以是arange，range，ndarray ，series 都可以，列表形式即可

# 获取0，1，2 行
df.loc[[0,1,2]]

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65

切片索引

df.loc[0:4]

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
3	10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
4	10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77

bool类型索引

b1 = df['年龄']>30
b1

0        True
1        True
2        True
3       False
4        True
        ...  
4995     True
4996    False
4997    False
4998    False
4999    False
Name: 年龄, Length: 5000, dtype: bool

df.loc[b1]#对列进行判断以后进行索引读取

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
4	10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77
7	10000008	2018-01-01	女	45	NaT	NaN	北京市	朝阳区	2018-06-24 09:36:00	2018-06-20 09:36:00	11	1284.14	0	0.00
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4987	10004988	2019-06-28	女	48	NaT	NaN	北京市	丰台区丰台科	2019-06-29 09:07:12	NaT	0	0.00	0	0.00
4988	10004989	2019-06-29	女	43	NaT	NaN	北京市	丰台区	2019-06-29 12:57:36	NaT	0	0.00	0	0.00
4993	10004994	2019-06-30	男	44	2019-07-01	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	81.00
4994	10004995	2019-06-30	女	37	NaT	NaN	北京市	朝阳区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4995	10004996	2019-06-30	女	48	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00

2772 rows × 14 columns

iloc 和 loc 的区别

1. loc 是基于索引值的，切片是左闭右闭的
2. iloc 是基于位置的，切片是左闭右开的

df.loc[0:2]#取了3行

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65

df.iloc[0:2]#取了2行

用户ID

注册时间

性别

年龄

会员开通时间

会员类型

城市

区域

最后一次登陆

最后一次成交

非会员累计购买次数

非会员累计消费

会员累计购买次数

会员累计消费

0

10000001

2018-01-01

女

43

2018-07-05

VIP

北京市

北京市

2019-06-19 02:24:00

2019-06-16 02:24:00

12

1268.28

23

1835.17

1

10000002

2018-01-01

男

56

NaT

NaN

北京市

北京市

2019-06-30 00:00:00

2019-06-29 00:00:00

36

3142.08

0

0.00

df.iloc[2]#统计第三个行的所有数据

用户ID                    10000003
注册时间         2018-01-01 00:00:00
性别                             男
年龄                            50
会员开通时间       2018-07-06 00:00:00
会员类型                         VIP
城市                           北京市
区域                           北京市
最后一次登陆       2019-06-30 00:00:00
最后一次成交       2019-06-27 00:00:00
非会员累计购买次数                     12
非会员累计消费                  1369.56
会员累计购买次数                      19
会员累计消费                   1526.65
Name: 2, dtype: object

df1 = df.set_index('用户ID')#将'用户ID'设置为列标签
df1

	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
用户ID
10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77
...	...	...	...	...	...	...	...	...	...	...	...	...	...
10004996	2019-06-30	女	48	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
10004997	2019-06-30	女	26	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
10004998	2019-06-30	男	18	2019-07-03	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	98.00
10004999	2019-06-30	男	30	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
10005000	2019-06-30	男	26	2019-06-30	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	52.00

5000 rows × 13 columns

df1.loc[0:3]#loc取的是索引值，当用户ID变成索引后，不存在0-2的索引值，故没有办法获取索引

注册时间

性别

年龄

会员开通时间

会员类型

城市

区域

最后一次登陆

最后一次成交

非会员累计购买次数

非会员累计消费

会员累计购买次数

会员累计消费

用户ID

df1.iloc[0:2]#iloc 是根据位置的标号，而不是根据索引值

注册时间

性别

年龄

会员开通时间

会员类型

城市

区域

最后一次登陆

最后一次成交

非会员累计购买次数

非会员累计消费

会员累计购买次数

会员累计消费

用户ID

10000001

2018-01-01

女

43

2018-07-05

VIP

北京市

北京市

2019-06-19 02:24:00

2019-06-16 02:24:00

12

1268.28

23

1835.17

10000002

2018-01-01

男

56

NaT

NaN

北京市

北京市

2019-06-30 00:00:00

2019-06-29 00:00:00

36

3142.08

0

0.00

df.loc[0:5,'年龄']#取0-5的索引列的值，取的是年龄值

0    43
1    56
2    50
3    23
4    33
5    27
Name: 年龄, dtype: int64

df1.iloc[0:5]

	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
用户ID
10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77

** B、选取列: **

不需要使用函数

df['年龄'].head()

0    43
1    56
2    50
3    23
4    33
Name: 年龄, dtype: int64

df[['年龄','城市']].head()

	年龄	城市
0	43	北京市
1	56	北京市
2	50	北京市
3	23	北京市
4	33	北京市

# 注意使用切片和bool索引的话，效果和选取行是一样的
df[0:3]

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65

df.iloc[0:3]

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65

df[df['年龄']>18]

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
3	10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
4	10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4994	10004995	2019-06-30	女	37	NaT	NaN	北京市	朝阳区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4995	10004996	2019-06-30	女	48	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4996	10004997	2019-06-30	女	26	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4998	10004999	2019-06-30	男	30	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4999	10005000	2019-06-30	男	26	2019-06-30	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	52.00

4896 rows × 14 columns

df.loc[df['年龄']>18]#与df[df'年龄']>18]相同

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
3	10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
4	10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77
5	10000006	2018-01-01	女	27	2018-07-01	VIP	北京市	朝阳区	2019-05-06 12:00:00	2019-05-05 12:00:00	12	1682.76	26	2307.50
6	10000007	2018-01-01	男	21	2018-07-06	VIP	北京市	东城区	2019-06-19 02:24:00	2019-06-19 02:24:00	12	1212.96	24	1435.44
7	10000008	2018-01-01	女	45	NaT	NaN	北京市	朝阳区	2018-06-24 09:36:00	2018-06-20 09:36:00	11	1284.14	0	0.00
8	10000009	2018-01-01	男	32	2018-07-03	VIP	北京市	北京市	2019-05-17 09:36:00	2019-05-13 09:36:00	12	994.92	19	1148.17
9	10000010	2018-01-01	女	22	2018-07-04	VIP	北京市	怀柔区	2019-06-30 00:00:00	2019-06-25 00:00:00	12	1664.16	36	3430.80
10	10000011	2018-01-01	男	28	2018-07-03	VIP	北京市	宣武区	2019-06-24 13:12:00	2019-06-22 13:12:00	12	1081.20	23	1168.17
11	10000012	2018-01-01	男	32	2018-07-01	VIP	北京市	海淀区	2019-06-24 13:12:00	2019-06-19 13:12:00	12	1674.12	36	1874.16
12	10000013	2018-01-02	女	21	NaT	NaN	北京市	北京市	2018-09-20 02:52:48	2018-09-17 02:52:48	17	1652.74	0	0.00
13	10000014	2018-01-02	女	28	2018-07-01	VIP	北京市	海淀区	2019-05-06 14:24:00	2019-05-05 14:24:00	12	1258.56	24	2316.96
14	10000015	2018-01-02	女	45	NaT	NaN	北京市	海淀区	2018-07-11 09:36:00	2018-07-11 09:36:00	13	1458.60	0	0.00
15	10000016	2018-01-02	女	62	NaT	NaN	北京市	通州区	2019-04-09 09:36:00	2019-04-04 09:36:00	30	2002.20	0	0.00
16	10000017	2018-01-02	女	45	NaT	NaN	北京市	朝阳区	2018-10-11 21:07:12	2018-10-07 21:07:12	19	2100.45	0	0.00
17	10000018	2018-01-03	女	30	2018-07-01	VIP	北京市	北京市	2019-05-12 03:07:12	2019-05-11 03:07:12	12	1585.20	28	1980.72
18	10000019	2018-01-03	男	37	NaT	NaN	北京市	朝阳区	2018-11-24 19:12:00	2018-11-21 19:12:00	22	1991.22	0	0.00
19	10000020	2018-01-03	女	38	NaT	NaN	北京市	朝阳区	2018-11-30 05:31:12	2018-11-25 05:31:12	22	1373.24	0	0.00
21	10000022	2018-01-03	女	42	2018-07-02	VIP	北京市	北京市	2019-05-17 13:26:24	2019-05-13 13:26:24	12	1500.72	19	1839.96
22	10000023	2018-01-03	女	47	NaT	NaN	北京市	朝阳区	2018-07-01 04:33:36	2018-06-28 04:33:36	12	1666.32	0	0.00
23	10000024	2018-01-03	女	30	2018-07-01	VIP	北京市	朝阳区	2019-06-02 20:24:00	2019-05-28 20:24:00	12	1413.96	17	1120.47
24	10000025	2018-01-03	男	35	NaT	NaN	北京市	南三环	2018-06-25 18:14:24	2018-06-23 18:14:24	11	1245.64	0	0.00
25	10000026	2018-01-03	男	30	2018-07-06	VIP	北京市	北京市	2019-06-02 20:24:00	2019-05-30 20:24:00	12	1685.64	20	1576.20
26	10000027	2018-01-03	女	27	2018-07-04	VIP	北京市	北京市	2019-06-24 13:40:48	2019-06-19 13:40:48	12	1606.92	30	2053.20
27	10000028	2018-01-04	男	42	NaT	NaN	北京市	北京市	2018-08-25 01:26:24	2018-08-23 01:26:24	15	1653.15	0	0.00
28	10000029	2018-01-04	男	37	NaT	NaN	北京市	北京市	2018-06-21 00:28:48	2018-06-20 00:28:48	11	1299.98	0	0.00
29	10000030	2018-01-04	女	33	2018-07-01	VIP	北京市	海淀区	2019-06-24 13:55:12	2019-06-22 13:55:12	12	1262.04	33	1763.85
30	10000031	2018-01-04	女	35	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	2019-06-27 00:00:00	36	2829.96	0	0.00
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4968	10004969	2019-06-24	女	32	2019-06-25	VIP	北京市	北京市	2019-06-29 19:40:48	2019-06-26 19:40:48	0	0.00	1	88.00
4969	10004970	2019-06-25	女	42	NaT	NaN	北京市	西城区	2019-06-28 18:00:00	NaT	0	0.00	0	0.00
4971	10004972	2019-06-25	男	47	2019-06-28	VIP	北京市	北京市	2019-06-29 13:12:00	2019-06-29 13:12:00	0	0.00	1	64.00
4972	10004973	2019-06-25	男	40	2019-06-28	VIP	北京市	海淀区	2019-06-29 20:24:00	2019-06-29 20:24:00	0	0.00	1	52.00
4973	10004974	2019-06-25	女	24	2019-06-25	VIP	北京市	朝阳区	2019-06-29 12:00:00	2019-06-29 12:00:00	0	0.00	1	96.00
4974	10004975	2019-06-25	男	58	NaT	NaN	北京市	朝阳区	2019-06-28 09:36:00	NaT	0	0.00	0	0.00
4975	10004976	2019-06-25	男	50	NaT	NaN	北京市	朝阳区	2019-06-28 10:48:00	NaT	0	0.00	0	0.00
4976	10004977	2019-06-26	男	29	2019-06-28	VIP	北京市	定海区	2019-06-29 19:12:00	2019-06-29 19:12:00	0	0.00	1	84.00
4977	10004978	2019-06-26	男	26	2019-06-29	VIP	北京市	昌平区	2019-06-29 15:21:36	2019-06-29 15:21:36	0	0.00	1	67.00
4978	10004979	2019-06-26	男	30	NaT	NaN	北京市	北京市	2019-06-27 05:45:36	NaT	0	0.00	0	0.00
4979	10004980	2019-06-27	女	37	NaT	NaN	北京市	东城区	2019-06-29 16:04:48	NaT	0	0.00	0	0.00
4980	10004981	2019-06-27	女	36	NaT	NaN	北京市	北京市	2019-06-29 08:09:36	NaT	0	0.00	0	0.00
4981	10004982	2019-06-27	女	34	2019-06-29	VIP	北京市	朝阳区	2019-06-29 18:57:36	2019-06-29 18:57:36	0	0.00	1	73.00
4982	10004983	2019-06-27	女	22	2019-06-27	VIP	北京市	北京市	2019-06-29 17:31:12	2019-06-29 17:31:12	0	0.00	1	93.00
4983	10004984	2019-06-27	女	23	2019-06-29	VIP	北京市	海淀区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	63.00
4984	10004985	2019-06-27	女	47	NaT	NaN	北京市	朝阳区	2019-06-28 21:21:36	NaT	0	0.00	0	0.00
4985	10004986	2019-06-28	男	20	2019-06-30	VIP	北京市	北京市	2019-06-29 21:36:00	2019-06-29 21:36:00	0	0.00	1	94.00
4986	10004987	2019-06-28	男	31	NaT	NaN	北京市	北京市	2019-06-28 19:40:48	NaT	0	0.00	0	0.00
4987	10004988	2019-06-28	女	48	NaT	NaN	北京市	丰台区丰台科	2019-06-29 09:07:12	NaT	0	0.00	0	0.00
4988	10004989	2019-06-29	女	43	NaT	NaN	北京市	丰台区	2019-06-29 12:57:36	NaT	0	0.00	0	0.00
4989	10004990	2019-06-29	女	28	2019-07-02	VIP	北京市	北京市	2019-06-29 23:16:48	2019-06-29 23:16:48	0	0.00	1	67.00
4990	10004991	2019-06-29	女	24	2019-07-01	VIP	北京市	北京市	2019-06-29 21:50:24	2019-06-29 21:50:24	0	0.00	1	53.00
4991	10004992	2019-06-29	女	29	2019-06-30	VIP	北京市	北京市	2019-06-29 22:48:00	2019-06-29 22:48:00	0	0.00	1	67.00
4992	10004993	2019-06-29	女	19	2019-07-02	VIP	北京市	朝阳区	2019-06-29 22:33:36	2019-06-29 22:33:36	0	0.00	1	82.00
4993	10004994	2019-06-30	男	44	2019-07-01	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	81.00
4994	10004995	2019-06-30	女	37	NaT	NaN	北京市	朝阳区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4995	10004996	2019-06-30	女	48	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4996	10004997	2019-06-30	女	26	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4998	10004999	2019-06-30	男	30	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4999	10005000	2019-06-30	男	26	2019-06-30	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	52.00

4896 rows × 14 columns

** C、选取行列: **

使用切片

df.loc[0,'年龄']

43

df.loc[[0,3],['年龄','性别']]

	年龄	性别
0	43	女
3	23	女

df.loc[0:3,['性别','年龄']]#这个使用的是切片索引

	性别	年龄
0	女	43
1	男	56
2	男	50
3	女	23

df.iloc[0:3,0:2]#选取行0-3，列0-2 【左闭右开】

	用户ID	注册时间
0	10000001	2018-01-01
1	10000002	2018-01-01
2	10000003	2018-01-01

df.loc[df['年龄']>18,:]#【条件筛选 行指定列大于18，列所有都选择】

	用户ID	注册时间	性别	年龄	会员开通时间	会员类型	城市	区域	最后一次登陆	最后一次成交	非会员累计购买次数	非会员累计消费	会员累计购买次数	会员累计消费
0	10000001	2018-01-01	女	43	2018-07-05	VIP	北京市	北京市	2019-06-19 02:24:00	2019-06-16 02:24:00	12	1268.28	23	1835.17
1	10000002	2018-01-01	男	56	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	2019-06-29 00:00:00	36	3142.08	0	0.00
2	10000003	2018-01-01	男	50	2018-07-06	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-27 00:00:00	12	1369.56	19	1526.65
3	10000004	2018-01-01	女	23	2018-07-06	VIP	北京市	丰台区	2019-06-08 04:48:00	2019-06-08 04:48:00	12	1314.96	45	2484.00
4	10000005	2018-01-01	女	33	2018-07-01	VIP	北京市	朝阳区	2019-05-11 22:48:00	2019-05-07 22:48:00	12	1006.80	23	2046.77
5	10000006	2018-01-01	女	27	2018-07-01	VIP	北京市	朝阳区	2019-05-06 12:00:00	2019-05-05 12:00:00	12	1682.76	26	2307.50
6	10000007	2018-01-01	男	21	2018-07-06	VIP	北京市	东城区	2019-06-19 02:24:00	2019-06-19 02:24:00	12	1212.96	24	1435.44
7	10000008	2018-01-01	女	45	NaT	NaN	北京市	朝阳区	2018-06-24 09:36:00	2018-06-20 09:36:00	11	1284.14	0	0.00
8	10000009	2018-01-01	男	32	2018-07-03	VIP	北京市	北京市	2019-05-17 09:36:00	2019-05-13 09:36:00	12	994.92	19	1148.17
9	10000010	2018-01-01	女	22	2018-07-04	VIP	北京市	怀柔区	2019-06-30 00:00:00	2019-06-25 00:00:00	12	1664.16	36	3430.80
10	10000011	2018-01-01	男	28	2018-07-03	VIP	北京市	宣武区	2019-06-24 13:12:00	2019-06-22 13:12:00	12	1081.20	23	1168.17
11	10000012	2018-01-01	男	32	2018-07-01	VIP	北京市	海淀区	2019-06-24 13:12:00	2019-06-19 13:12:00	12	1674.12	36	1874.16
12	10000013	2018-01-02	女	21	NaT	NaN	北京市	北京市	2018-09-20 02:52:48	2018-09-17 02:52:48	17	1652.74	0	0.00
13	10000014	2018-01-02	女	28	2018-07-01	VIP	北京市	海淀区	2019-05-06 14:24:00	2019-05-05 14:24:00	12	1258.56	24	2316.96
14	10000015	2018-01-02	女	45	NaT	NaN	北京市	海淀区	2018-07-11 09:36:00	2018-07-11 09:36:00	13	1458.60	0	0.00
15	10000016	2018-01-02	女	62	NaT	NaN	北京市	通州区	2019-04-09 09:36:00	2019-04-04 09:36:00	30	2002.20	0	0.00
16	10000017	2018-01-02	女	45	NaT	NaN	北京市	朝阳区	2018-10-11 21:07:12	2018-10-07 21:07:12	19	2100.45	0	0.00
17	10000018	2018-01-03	女	30	2018-07-01	VIP	北京市	北京市	2019-05-12 03:07:12	2019-05-11 03:07:12	12	1585.20	28	1980.72
18	10000019	2018-01-03	男	37	NaT	NaN	北京市	朝阳区	2018-11-24 19:12:00	2018-11-21 19:12:00	22	1991.22	0	0.00
19	10000020	2018-01-03	女	38	NaT	NaN	北京市	朝阳区	2018-11-30 05:31:12	2018-11-25 05:31:12	22	1373.24	0	0.00
21	10000022	2018-01-03	女	42	2018-07-02	VIP	北京市	北京市	2019-05-17 13:26:24	2019-05-13 13:26:24	12	1500.72	19	1839.96
22	10000023	2018-01-03	女	47	NaT	NaN	北京市	朝阳区	2018-07-01 04:33:36	2018-06-28 04:33:36	12	1666.32	0	0.00
23	10000024	2018-01-03	女	30	2018-07-01	VIP	北京市	朝阳区	2019-06-02 20:24:00	2019-05-28 20:24:00	12	1413.96	17	1120.47
24	10000025	2018-01-03	男	35	NaT	NaN	北京市	南三环	2018-06-25 18:14:24	2018-06-23 18:14:24	11	1245.64	0	0.00
25	10000026	2018-01-03	男	30	2018-07-06	VIP	北京市	北京市	2019-06-02 20:24:00	2019-05-30 20:24:00	12	1685.64	20	1576.20
26	10000027	2018-01-03	女	27	2018-07-04	VIP	北京市	北京市	2019-06-24 13:40:48	2019-06-19 13:40:48	12	1606.92	30	2053.20
27	10000028	2018-01-04	男	42	NaT	NaN	北京市	北京市	2018-08-25 01:26:24	2018-08-23 01:26:24	15	1653.15	0	0.00
28	10000029	2018-01-04	男	37	NaT	NaN	北京市	北京市	2018-06-21 00:28:48	2018-06-20 00:28:48	11	1299.98	0	0.00
29	10000030	2018-01-04	女	33	2018-07-01	VIP	北京市	海淀区	2019-06-24 13:55:12	2019-06-22 13:55:12	12	1262.04	33	1763.85
30	10000031	2018-01-04	女	35	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	2019-06-27 00:00:00	36	2829.96	0	0.00
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4968	10004969	2019-06-24	女	32	2019-06-25	VIP	北京市	北京市	2019-06-29 19:40:48	2019-06-26 19:40:48	0	0.00	1	88.00
4969	10004970	2019-06-25	女	42	NaT	NaN	北京市	西城区	2019-06-28 18:00:00	NaT	0	0.00	0	0.00
4971	10004972	2019-06-25	男	47	2019-06-28	VIP	北京市	北京市	2019-06-29 13:12:00	2019-06-29 13:12:00	0	0.00	1	64.00
4972	10004973	2019-06-25	男	40	2019-06-28	VIP	北京市	海淀区	2019-06-29 20:24:00	2019-06-29 20:24:00	0	0.00	1	52.00
4973	10004974	2019-06-25	女	24	2019-06-25	VIP	北京市	朝阳区	2019-06-29 12:00:00	2019-06-29 12:00:00	0	0.00	1	96.00
4974	10004975	2019-06-25	男	58	NaT	NaN	北京市	朝阳区	2019-06-28 09:36:00	NaT	0	0.00	0	0.00
4975	10004976	2019-06-25	男	50	NaT	NaN	北京市	朝阳区	2019-06-28 10:48:00	NaT	0	0.00	0	0.00
4976	10004977	2019-06-26	男	29	2019-06-28	VIP	北京市	定海区	2019-06-29 19:12:00	2019-06-29 19:12:00	0	0.00	1	84.00
4977	10004978	2019-06-26	男	26	2019-06-29	VIP	北京市	昌平区	2019-06-29 15:21:36	2019-06-29 15:21:36	0	0.00	1	67.00
4978	10004979	2019-06-26	男	30	NaT	NaN	北京市	北京市	2019-06-27 05:45:36	NaT	0	0.00	0	0.00
4979	10004980	2019-06-27	女	37	NaT	NaN	北京市	东城区	2019-06-29 16:04:48	NaT	0	0.00	0	0.00
4980	10004981	2019-06-27	女	36	NaT	NaN	北京市	北京市	2019-06-29 08:09:36	NaT	0	0.00	0	0.00
4981	10004982	2019-06-27	女	34	2019-06-29	VIP	北京市	朝阳区	2019-06-29 18:57:36	2019-06-29 18:57:36	0	0.00	1	73.00
4982	10004983	2019-06-27	女	22	2019-06-27	VIP	北京市	北京市	2019-06-29 17:31:12	2019-06-29 17:31:12	0	0.00	1	93.00
4983	10004984	2019-06-27	女	23	2019-06-29	VIP	北京市	海淀区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	63.00
4984	10004985	2019-06-27	女	47	NaT	NaN	北京市	朝阳区	2019-06-28 21:21:36	NaT	0	0.00	0	0.00
4985	10004986	2019-06-28	男	20	2019-06-30	VIP	北京市	北京市	2019-06-29 21:36:00	2019-06-29 21:36:00	0	0.00	1	94.00
4986	10004987	2019-06-28	男	31	NaT	NaN	北京市	北京市	2019-06-28 19:40:48	NaT	0	0.00	0	0.00
4987	10004988	2019-06-28	女	48	NaT	NaN	北京市	丰台区丰台科	2019-06-29 09:07:12	NaT	0	0.00	0	0.00
4988	10004989	2019-06-29	女	43	NaT	NaN	北京市	丰台区	2019-06-29 12:57:36	NaT	0	0.00	0	0.00
4989	10004990	2019-06-29	女	28	2019-07-02	VIP	北京市	北京市	2019-06-29 23:16:48	2019-06-29 23:16:48	0	0.00	1	67.00
4990	10004991	2019-06-29	女	24	2019-07-01	VIP	北京市	北京市	2019-06-29 21:50:24	2019-06-29 21:50:24	0	0.00	1	53.00
4991	10004992	2019-06-29	女	29	2019-06-30	VIP	北京市	北京市	2019-06-29 22:48:00	2019-06-29 22:48:00	0	0.00	1	67.00
4992	10004993	2019-06-29	女	19	2019-07-02	VIP	北京市	朝阳区	2019-06-29 22:33:36	2019-06-29 22:33:36	0	0.00	1	82.00
4993	10004994	2019-06-30	男	44	2019-07-01	VIP	北京市	北京市	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	81.00
4994	10004995	2019-06-30	女	37	NaT	NaN	北京市	朝阳区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4995	10004996	2019-06-30	女	48	NaT	NaN	北京市	西城区	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4996	10004997	2019-06-30	女	26	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4998	10004999	2019-06-30	男	30	NaT	NaN	北京市	北京市	2019-06-30 00:00:00	NaT	0	0.00	0	0.00
4999	10005000	2019-06-30	男	26	2019-06-30	VIP	北京市	朝阳区	2019-06-30 00:00:00	2019-06-30 00:00:00	0	0.00	1	52.00

4896 rows × 14 columns