DataFrame索引操作：loc与iloc定位行情

DataFrame索引操作：loc与iloc定位行情

小象量化极客小册 · 华尔街量化分析先锋系列

Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

小象量化极客小册 · 华尔街量化分析先锋系列 Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

💡 核心导读

DataFrame的索引操作是Pandas数据处理的核心技能之一。本节将系统讲解DataFrame的索引访问方法，包括基础索引、loc/iloc索引器、布尔索引以及多级索引操作。通过学习，您将掌握：

• 使用方括号和属性方式访问列数据
• 理解loc（标签索引）和iloc（位置索引）的区别
• 构建复杂条件进行布尔索引
• 处理层次化索引（MultiIndex）数据
• 避免常见的索引操作陷阱

基础索引操作

列数据访问

DataFrame最基础的索引操作是列选择，有以下两种等效方式：

import pandas as pd

df = pd.DataFrame({
    '产品': ['A', 'B', 'C', 'D'],
    '销量': [120, 95, 135, 80],
    '单价': [15.5, 22.0, 18.0, 25.5]
})

print(df['销量'])  # 获取单列Series

print(df.单价)    # 仅适用于列名是合法变量名的情况

行数据访问

获取行数据需要配合loc/iloc索引器：

print(df.iloc[1])  

print(df.loc[:1])  # 注意loc包含结束位置

💡 概念小测：loc与iloc的本质区别

在对多指标行情 DataFrame 进行定位提取时，关于 loc 与 iloc 的使用规范，以下哪个说法是正确的？

• loc 基于整数位置进行选择，iloc 基于字符标签进行选择。
• 无论任何情况，df.loc[0] 与 df.iloc[0] 提取的行都是完全一样的。
• loc 是基于标签索引（Label-based）进行定位筛选，iloc 是基于绝对位置（Integer-positional）进行定位筛选。
• iloc 的切片范围是包含右边界的，而 loc 的切片范围是不包含右边界的。

📝 选择题

💡 概念小测：loc与iloc的本质区别 在对多指标行情 DataFrame 进行定位提取时，关于 loc 与 iloc 的使用规范，以下哪个说法是正确的？

• A. loc 基于整数位置进行选择，iloc 基于字符标签进行选择。
• B. 无论任何情况，df.loc[0] 与 df.iloc[0] 提取的行都是完全一样的。
• C. loc 是基于标签索引（Label-based）进行定位筛选，iloc 是基于绝对位置（Integer-positional）进行定位筛选。
• D. iloc 的切片范围是包含右边界的，而 loc 的切片范围是不包含右边界的。

答案：C（loc 是基于标签索引（Label-based）进行定位筛选，iloc 是基于绝对位置（Integer-positional）进行定位筛选。）

高级索引方法

loc与iloc索引器

两种索引器的核心区别：

df = df.set_index('产品')

print(df.loc[['A', 'C'], '单价'])  # 选择A、C产品的单价

print(df.iloc[1:3, 0])  # 选择第1-2行（不含3）的第0列

布尔索引

通过条件表达式筛选数据：

condition = (df['销量'] > 100) & (df['单价'] < 20)
print(df[condition])

print(df.query('销量 > 100 and 单价 < 20'))

层次化索引操作

创建MultiIndex

import numpy as np

arrays = [['苹果公司', '苹果公司', '谷歌公司', '谷歌公司'], ['旗舰店', '体验店', '旗舰店', '体验店']]
multi_df = pd.DataFrame(np.random.randn(4, 2),
                       index=pd.MultiIndex.from_arrays(arrays, names=('股票标的', '门店')),
                       columns=['销售额', '成本'])

print(multi_df)

多级索引访问

print(multi_df.loc['苹果公司'])

print(multi_df.loc[('谷歌公司', '体验店')])

print(multi_df.xs('体验店', level='门店'))

💡 代码填空：绝对位置定位

补全代码，使用 iloc 提取行情 DataFrame df 的第 1 行（索引 0）且第 2 列（列索引 1）的数据：

import pandas as pd

df = pd.DataFrame({'AAPL': [150, 151], 'GOOG': [2700, 2710]})
val = df.{blank}[0, 1]
print(val) # 输出 2700

• loc
• iloc
• ix

✏️ 填空题

💡 代码填空：绝对位置定位 补全代码，使用 iloc 提取行情 DataFrame df 的第 1 行（索引 0）且第 2 列（列索引 1）的数据：

import pandas as pd
df = pd.DataFrame({'AAPL': [150, 151], 'GOOG': [2700, 2710]})
# 使用绝对位置定位
val = df.___[0, 1]
print(val) # 输出 2700

答案：iloc

本章小结

行动清单

• 创建一个包含MultiIndex的DataFrame，练习使用loc和xs方法提取不同层级的数据
• 对销售数据DataFrame实现：1) 按条件筛选 2) 修改指定单元格值 3) 添加计算列
• 对比loc[1:3]和iloc[1:3]在不同索引DataFrame上的表现差异

小象量化教研组