Манипулирование данными — важнейший аспект анализа данных, а Pandas, популярная библиотека Python, предоставляет мощные инструменты для обработки и преобразования данных. Одной из распространенных задач является перебор строк в DataFrame Pandas, извлечение значений, выполнение вычислений или применение преобразований. В этой статье блога мы рассмотрим различные методы перебора строк в Pandas, используя разговорный язык и примеры кода, которые помогут вам в этом.

Метод 1: использование iterrows()
Метод iterrows() позволяет перебирать каждую строку DataFrame, возвращая два значения: индекс и данные строки в виде объекта Series. Вот пример:

import pandas as pd
# Create a DataFrame
data = {'Name': ['John', 'Jane', 'Mike'],
        'Age': [25, 30, 35],
        'City': ['New York', 'London', 'Paris']}
df = pd.DataFrame(data)
# Loop through rows using iterrows()
for index, row in df.iterrows():
    print(f"Index: {index}, Name: {row['Name']}, Age: {row['Age']}, City: {row['City']}")

Метод 2: использование itertuples()
Метод itertuples() обеспечивает более эффективный способ перебора строк по сравнению с iterrows(). Он возвращает именованный кортеж для каждой строки, где вы можете получить доступ к значениям столбцов по именам атрибутов. Вот пример:

import pandas as pd
# Create a DataFrame
data = {'Name': ['John', 'Jane', 'Mike'],
        'Age': [25, 30, 35],
        'City': ['New York', 'London', 'Paris']}
df = pd.DataFrame(data)
# Loop through rows using itertuples()
for row in df.itertuples():
    print(f"Index: {row.Index}, Name: {row.Name}, Age: {row.Age}, City: {row.City}")

Метод 3: использование apply() с осью = 1
Метод apply() можно использовать для применения функции к каждой строке или столбцу в DataFrame. Указав axis=1, мы можем перебирать строки. Вот пример:

import pandas as pd
# Create a DataFrame
data = {'Name': ['John', 'Jane', 'Mike'],
        'Age': [25, 30, 35],
        'City': ['New York', 'London', 'Paris']}
df = pd.DataFrame(data)
# Define a function to process each row
def process_row(row):
    # Access row values using row['column_name']
    print(f"Name: {row['Name']}, Age: {row['Age']}, City: {row['City']}")
# Apply the function to each row using apply()
df.apply(process_row, axis=1)

Метод 4: использование цикла for с iloc[]
Простой цикл for в сочетании с iloc[] также можно использовать для перебора строк. Вот пример:

import pandas as pd
# Create a DataFrame
data = {'Name': ['John', 'Jane', 'Mike'],
        'Age': [25, 30, 35],
        'City': ['New York', 'London', 'Paris']}
df = pd.DataFrame(data)
# Loop through rows using a for loop and iloc[]
for i in range(len(df)):
    row = df.iloc[i]
    print(f"Index: {i}, Name: {row['Name']}, Age: {row['Age']}, City: {row['City']}")

В этой статье мы рассмотрели несколько методов перебора строк в DataFrame Pandas. Используя функции iterrows(), itertuples(), apply() или цикл for с iloc[], вы можете эффективно получать доступ к отдельным строкам данных и обрабатывать их. В зависимости от вашего конкретного варианта использования выберите метод, который соответствует вашим потребностям и улучшит ваши навыки манипулирования данными в Pandas.