Sie können auch auf Zeilen in einem DataFrame über ihren Index zugreifen. Es gibt mehrere Möglichkeiten, dies zu tun:
- `.iloc` - wird verwendet, um auf Zeilen über ihren numerischen Index zuzugreifen, beginnend bei 0;
- `.loc` - wird verwendet, um auf Zeilen über ihr String-Label zuzugreifen.

In diesem Kurs werden wir uns ausschließlich auf die Verwendung des `.iloc`-Attributs konzentrieren.

import pandas as pd

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pd.DataFrame(countries_data)
print(countries)

Sie können die erste Spalte bemerken, die als Zeilenindex dient. Wir werden diese Indizes verwenden, um auf bestimmte Zeilen im DataFrame zuzugreifen. Die Syntax dieses Attributs ist wie folgt:

```python
df.iloc[index]
```

Wir können dieses Attribut anwenden, um auf die dritte und siebte Zeile unseres DataFrames zuzugreifen:

import pandas as pd

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}

countries = pd.DataFrame(countries_data)
# Accessing to the third and seventh rows
print(countries.iloc[2])
print(countries.iloc[6])

Nach dem Ausführen des obigen Codes erhalten Sie Zeilen, die den im Bild unten angegebenen Indizes entsprechen:

Pandas ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist auch darauf ausgelegt, große Datensätze zu verarbeiten, indem sie Datenstrukturen wie DataFrame und Series verwendet. Dies macht sie zu einem unverzichtbaren Werkzeug für Data Science. In diesem Leitfaden lernen Sie eine Reihe statistischer Funktionen kennen, darunter wie man Korrelationen, Modi, Mediane sowie maximale und minimale Werte innerhalb eines Datensatzes findet. Sie lernen auch, wie man fehlende Werte behandelt und spezifische Werte manipuliert sowie entfernt.

In diesem Abschnitt werden wir die Grundlagen der Series- und DataFrame-Strukturen erkunden. Sie werden auch die Unterschiede zwischen diesen beiden Strukturtypen kennenlernen.

Daten können in verschiedenen Formaten vorliegen, wie CSV, JSON, SQL, HTML und mehr. Mit Pandas sind Sie nicht auf ein einzelnes Format beschränkt – Sie können mit Daten aus einer Vielzahl von Dateitypen arbeiten. In diesem Kapitel konzentrieren wir uns speziell auf die Formate CSV und TXT.

Hier lernen Sie, wie Sie Rohdaten verarbeiten, indem Sie überflüssige Informationen entfernen und Nullwerte in einem Datensatz verwalten.

Pandas Erste Schritte

Iloc Grundlagen