Sélectionner des colonnes et des lignes

Accédez à une colonne par son nom avec la notation entre crochets df['col'], qui renvoie une Series. Vous pouvez également utiliser la notation avec point df.col lorsque le nom de la colonne est un identifiant Python valide, sans espaces. La notation entre crochets est toujours sûre ; la notation avec point échoue lorsque le nom entre en conflit avec une méthode du DataFrame, comme count ou mean.

Pour sélectionner plusieurs colonnes, transmettez une liste de noms de colonnes entre crochets : df[['col1', 'col2']]. Remarquez les doubles crochets : la paire extérieure est l’opérateur d’indexation et la paire intérieure crée une liste Python. Le résultat est un DataFrame, et non une Series. Cette technique est couramment utilisée pour extraire une matrice de caractéristiques destinée à l’apprentissage automatique.

df.loc[row_label, col_label] sélectionne les données par étiquette. Fournissez une seule étiquette, une liste d’étiquettes ou une tranche, pour les lignes comme pour les colonnes. df.loc[:, 'score'] sélectionne toutes les lignes de la colonne 'score'. df.loc['r1':'r3', ['a', 'b']] sélectionne les lignes r1 à r3 incluses pour les colonnes a et b.

df.iloc[row_pos, col_pos] sélectionne les données par position entière, sans tenir compte des étiquettes. Les deux arguments suivent les conventions des tranches Python, avec des bornes de fin exclusives. df.iloc[:, 0] sélectionne la première colonne sous forme de Series. df.iloc[0:2, 1:3] sélectionne un sous-DataFrame rectangulaire de 2 × 2 dans le coin supérieur gauche.

Transmettez à .loc une Series booléenne (possédant le même index que le DataFrame) pour filtrer les lignes. Construisez cette Series booléenne à partir d’une condition appliquée à une colonne. Vous pouvez combiner les conditions avec & et |. Il s’agit du modèle de filtrage standard dans l’analyse de données avec Pandas, bien plus expressif que les clauses WHERE de SQL pour les conditions complexes portant sur plusieurs colonnes.

Chaque condition doit être placée entre parenthèses, puis combinée avec & (AND) ou | (OR). L’utilisation des mots-clés Python and/or sur des Series provoque une erreur. Pour nier une condition, utilisez ~ (tilde) au lieu de not. Testez toujours les conditions séparément avant de les combiner afin d’isoler la source de résultats inattendus.

df.iloc[n] renvoie la n-ième ligne sous forme de Series. df.iloc[n:m] renvoie les lignes n à m-1 sous forme de DataFrame. df.iloc[[0, 2, 4]] sélectionne des lignes précises par position grâce à l’indexation avancée. Ces opérations sont équivalentes à la sélection de lignes dans un tableau NumPy et sont souvent utilisées pour séparer les données d’entraînement et de test avant d’appliquer des modèles d’apprentissage automatique.

.loc et .iloc acceptent tous deux deux arguments : df.loc[row_selector, col_selector]. Cela permet d’effectuer une sélection rectangulaire précise en une seule expression. Un deux-points : seul sélectionne toutes les lignes ou toutes les colonnes. Cette méthode est essentielle pour extraire une matrice de caractéristiques contenant des colonnes précises, uniquement pour les lignes d’entraînement d’un jeu de données.

Lorsque vous transmettez une seule étiquette scalaire à df.loc[label], le résultat est une Series dont l’index correspond aux noms des colonnes. Cette méthode est utile pour examiner un enregistrement précis. Pour obtenir plutôt un DataFrame d’une seule ligne, placez l’étiquette dans une liste : df.loc[[label]]. Cette distinction est importante lorsque vous transmettez le résultat à des fonctions qui attendent un DataFrame.

df.at[row_label, col_name] et df.iat[row_pos, col_pos] permettent de récupérer ou de définir une valeur scalaire unique avec un coût moindre que .loc/.iloc. Ils sont conçus pour les boucles qui mettent à jour des cellules individuelles. En production, préférez toujours les opérations vectorisées aux mises à jour cellule par cellule, mais utilisez at/iat lorsque vous devez réellement itérer.

L’indexation en chaîne, comme df['col'][condition] ou df[mask]['col'] = val, peut produire un SettingWithCopyWarning, car Pandas peut travailler sur une copie plutôt que sur l’original. Utilisez toujours une seule expression .loc pour toute modification : df.loc[mask, 'col'] = val. Il s’agit de la méthode correcte, sans avertissement.

Vérifiez votre compréhension de la sélection des colonnes et des lignes présentée dans cette leçon.

Dans cette leçon, vous avez appris que .loc sélectionne les lignes et les colonnes par étiquette, avec des bornes de fin incluses, que .iloc sélectionne par position entière, avec des bornes de fin exclusives comme les tranches Python et que les conditions booléennes appliquées avec .loc filtrent les lignes sans le problème de SettingWithCopyWarning lié à l’indexation en chaîne. Nous allons maintenant ajouter de nouvelles colonnes calculées, renommer les colonnes existantes et supprimer les colonnes inutiles avec drop().