Pandas 사용법 - 데이터 선택 방법 (iloc, loc, 조건 설정) [기본]

data = {
    '이름' : ['채치수', '정대만', '송태섭', '서태웅', '강백호', '변덕규', '황태산', '윤대협'],
    '학교' : ['북산고', '북산고', '북산고', '북산고', '북산고', '능남고', '능남고', '능남고'],
    '키' : [197, 184, 168, 187, 188, 202, 188, 190],
    '국어' : [90, 40, 80, 40, 15, 80, 55, 100],
    '영어' : [85, 35, 75, 60, 20, 100, 65, 85],
    '수학' : [100, 50, 70, 70, 10, 95, 45, 90],
    '과학' : [95, 55, 80, 75, 35, 85, 40, 95],
    '사회' : [85, 25, 75, 80, 10, 80, 35, 95],
    'SW특기' : ['Python', 'Java', 'Javascript', '', '', 'C', 'PYTHON', 'C#']
}
df = pd.DataFrame(data,index =['1번','2번','3번','4번','5번','6번','7번','8번'])
df.index.name = '지원번호'

이전 게시글에서는 열을 선택하는 방법을 배웠지만, 이번에는 행을 선택하는 방법을 알아보자.

행을 선택하는 방법에도 인덱스 이름을 선택하는 방법과 숫자로 선택하는 방법이 있다.

---

loc (location)

 

>>> df.loc['1번'] #index 1번에 해당하는 전체 데이터
이름         채치수
학교         북산고
키          197
국어          90
영어          85
수학         100
과학          95
사회          85
SW특기    Python
Name: 1번, dtype: object

>>> df.loc['5번'] #index 5번에 해당하는 전체 데이터
이름      강백호
학교      북산고
키       188
국어       15
영어       20
수학       10
과학       35
사회       10
SW특기    NaN
Name: 5번, dtype: object

loc는 location을 나타내며 index명을 입력하여 선택한다. index 전체를 포함할 수도 있지만, index에 포함된 element 한개만 선택할 수도 있다.

>>> df.loc['1번','국어'] #index 1번에 해당하는 국어 데이터
90

>>> df.loc[['1번','2번'],'영어'] #1번 2번 인덱스에 해당하는 영어 데이터
지원번호
1번    85
2번    35
Name: 영어, dtype: int64

>>> df.loc[['1번','5번'],['영어','수학']] #index 1번,5번에 해당하는 영어,수학 데이터
	영어	수학
지원번호		
1번	85	100
5번	20	10

>>> df.loc['1번':'5번','국어':'사회'] #1번부터 5번까지, 국어부터 사회까지 데이터
	국어	영어	수학	과학	사회
지원번호					
1번	90	85	100	95	85
2번	40	35	50	55	25
3번	80	75	70	80	75
4번	40	60	70	75	80
5번	15	20	10	35	10

---

iloc (integer location)

iloc는 integer location을 나타내며 숫자로 접근할 수 있다.

>>> df.iloc[0] #0번째 row의 데이터를 가져옴
이름         채치수
학교         북산고
키          197
국어          90
영어          85
수학         100
과학          95
사회          85
SW특기    Python
Name: 1번, dtype: object

>>> df.iloc[4] #4번째 위치의 데이터
이름      강백호
학교      북산고
키       188
국어       15
영어       20
수학       10
과학       35
사회       10
SW특기    NaN
Name: 5번, dtype: object

>>> df.iloc[0:5] #0~4번째 위치의 데이터

이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
2번	정대만	북산고	184	40	35	50	55	25	Java
3번	송태섭	북산고	168	80	75	70	80	75	Javascript
4번	서태웅	북산고	187	40	60	70	75	80	NaN
5번	강백호	북산고	188	15	20	10	35	10	NaN

>>> df.iloc[0,1]#0번째 row의 1번째(학교) 데이터
북산고

>>> df.iloc[4][2] #5번학생(4번째 row)의 키 데이터
188

>>> df.iloc[[0,1],2] #0,1번째 위치의 학새의 2번째(키) 데이터

df.iloc[[0,1],2] #0,1번째 위치의 학새의 2번째(키) 데이터
지원번호
1번    197
2번    184
Name: 키, dtype: int64

>>> df.iloc[[0,1],[3,4]] #0,1번째 위치의 학생의 3,4번째 데이터
	국어	영어
지원번호		
1번	90	85
2번	40	35

>>> df.iloc[0:5,3:8] #0~4번째 위치의 학생 중에서, 3~7번째 데이터 (국어:사회)
	국어	영어	수학	과학	사회
지원번호					
1번	90	85	100	95	85
2번	40	35	50	55	25
3번	80	75	70	80	75
4번	40	60	70	75	80
5번	15	20	10	35	10

---

데이터 선택 (조건)

데이터를 뽑을 때 자신이 원하는 조건에 해당하는 데이터를 뽑을 수도 있다.

>>> df['키']>=185 #학생들의 키가 185이상인지 여부를 True/false
지원번호
1번     True
2번    False
3번    False
4번     True
5번     True
6번     True
7번     True
8번     True
Name: 키, dtype: bool

>>> filt = (df['키'] >= 185)
>>> df[filt]
	이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
4번	서태웅	북산고	187	40	60	70	75	80	NaN
5번	강백호	북산고	188	15	20	10	35	10	NaN
6번	변덕규	능남고	202	80	100	95	85	80	C
7번	황태산	능남고	188	55	65	45	40	35	PYTHON
8번	윤대협	능남고	190	100	85	90	95	95	C#

>>> df[~filt] #filter 를 역으로 적용 (not)

이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
2번	정대만	북산고	184	40	35	50	55	25	Java
3번	송태섭	북산고	168	80	75	70	80	75	Javascript

>>> df[df['키'] >= 185]

이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
4번	서태웅	북산고	187	40	60	70	75	80	NaN
5번	강백호	북산고	188	15	20	10	35	10	NaN
6번	변덕규	능남고	202	80	100	95	85	80	C
7번	황태산	능남고	188	55	65	45	40	35	PYTHON
8번	윤대협	능남고	190	100	85	90	95	95	C#

>>> df.loc[df['키']>=185,'수학']
지원번호
1번    100
4번     70
5번     10
6번     95
7번     45
8번     90
Name: 수학, dtype: int64

>>> df.loc[df['키']>= 185,['수학','과학']] #키가 185이상인 학생들의 이름 수학 과학 데이터
	수학	과학
지원번호		
1번	100	95
4번	70	75
5번	10	35
6번	95	85
7번	45	40
8번	90	95

---

다양한 조건 

>>> # & 그리고
>>> df.loc[(df['키']>=185) & (df['학교']=='북산고')] #키가 185 이상인 북산고 학생 데이터
	이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
4번	서태웅	북산고	187	40	60	70	75	80	NaN
5번	강백호	북산고	188	15	20	10	35	10	NaN

>>> #| 또는
>>> df.loc[(df['키']<170) | (df['키']>200)]

이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
3번	송태섭	북산고	168	80	75	70	80	75	Javascript
6번	변덕규	능남고	202	80	100	95	85	80	C

>>> #str함수
>>> filt = df['이름'].str.startswith('송') #송씨 성을 가진사람
>>> df[filt]

이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
3번	송태섭	북산고	168	80	75	70	80	75	Javascript

>>> filt = df['이름'].str.contains('태') #이름에 '태'가 들어가는 사람
>>> df[filt]
	이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
3번	송태섭	북산고	168	80	75	70	80	75	Javascript
4번	서태웅	북산고	187	40	60	70	75	80	NaN
7번	황태산	능남고	188	55	65	45	40	35	PYTHON

>>> df[~filt]
이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
2번	정대만	북산고	184	40	35	50	55	25	Java
5번	강백호	북산고	188	15	20	10	35	10	NaN
6번	변덕규	능남고	202	80	100	95	85	80	C
8번	윤대협	능남고	190	100	85	90	95	95	C#

>>> langs = ["Python","Java"]
>>> filt = df['SW특기'].isin(langs) #SW특기가 Python이거나 JAva인 사람
>>> df[filt]
이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
2번	정대만	북산고	184	40	35	50	55	25	Java

>>> langs = ['python','java']
>>> filt = df['SW특기'].str.lower().isin(langs)
>>> df[filt]
이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
1번	채치수	북산고	197	90	85	100	95	85	Python
2번	정대만	북산고	184	40	35	50	55	25	Java
7번	황태산	능남고	188	55	65	45	40	35	PYTHON

>>> filt = df['SW특기'].str.contains('Java')
>>> print(filt) #4번과 5번때문에 NaN값을 처리해줘야함
>>> df['SW특기'].str.contains('Java',na=False) #NaN데이터에 대해서 False 로 설정
지원번호
1번    False
2번     True
3번     True
4번      NaN
5번      NaN
6번    False
7번    False
8번    False
Name: SW특기, dtype: object
지원번호
1번    False
2번     True
3번     True
4번    False
5번    False
6번    False
7번    False
8번    False
Name: SW특기, dtype: bool

>>> filt = df['SW특기'].str.contains('Java',na=False) #NaN데이터에 대해서 False 로 설정
>>> df[filt]
이름	학교	키	국어	영어	수학	과학	사회	SW특기
지원번호									
2번	정대만	북산고	184	40	35	50	55	25	Java
3번	송태섭	북산고	168	80	75	70	80	75	Javascript