.loc 메서드(레이블)를 이용한 인덱싱과 슬라이싱-pandas(11)

파이썬 버전 3.7 기준

pandas 버전 0.25.1 기준

.loc 메서드(레이블)를 이용한 인덱싱

본 포스팅에서는 .loc 메서드에 대해 좀 더 상세히 알아볼 것이며, 이 메서드를 이용한 인덱싱에 대해 살펴볼 것이다.

.loc 메서드에 대한 설명

.loc 메서드는 기본적으로 레이블(label)을 사용하여 행에 접근하는 메서드이다.

  ○ .loc 메서드에 정수를 입력할 경우 에러가 발생한다.

.loc 메서드의 특징

.loc 메서드에 대한 특징은 다음과 같다. 

  ○ 순수한 레이블 기반 인덱싱이다.

    ▷ 정수 역시 사용이 가능은 하나, 레이블이 정수일 경우에만 그렇다. (자세한 내용 예제참고)

  ○ 불린 배열(boolean array)과 함께 사용될 수 있다. 

  ○ .loc는 해당 객체를 찾을 수 없을 경우 KeyError를 발생시킨다.

  ○ 슬라이싱 할 경우 슬라이싱 시작 요소와 끝 요소 둘 다 포함하여 결과를 반환한다. 

.loc 메서드의 사용법

.loc 메서드는 .loc 뒤에 대괄호를 붙여 사용한다. 

구문 형식은 다음과 같다.

.loc 메서드의 기본적인 구문 형식)

# Series에서의 사용

①  Series.loc[ 'index_label' ]  # Series에서의 요소 선택 

# DataFrame에서의 사용

②  DataFrame.loc[ 'index_label' ]                         # 행의 선택 

③  DataFrame.loc[ 'index_label', 'column_label'  ]   # 하나의 요소 선택 

'index_label'은 행을 선택하기 위한 인덱스의 레이블을 의미한다.

'column_label'은 행 선택 이후 해당 행에서 요소를 선택하기 위한 열의 레이블을 의미한다.

각 변수 위치에 슬라이싱을 입력해도 유효하다.

①은 Series에서 데이터를 선택하는 형식이며 하나의 요소를 반환한다.

②은 DataFrame에서 데이터를 선택하는 형식이며 행에 해당하는 Series를 반환한다.

③은 DataFrame에서 데이터를 선택하는 형식이며, 열의 레이블을 입력함으로써 하나의 요소를 선택하여 반환한다.

.loc 메서드의 입력 자료형

.loc에 사용 가능한 입력 자료형으로는 다음과 같다.

  ○ 하나의 레이블(예: 5, 'a' 등) 

    ▷ 여기서는 5는 레이블의 인덱스를 의미하며, 위치 정수를 의미하는 것이 아니다. 

        (아래 정수 레이블을 이용한 데이터 선택 섹션에 예제가 있으니 참고하자.)

    ▷ index 객체에 정수형태로 입력이 되어있을 레이블이 이름이 정수 5인 위치를 의미한다.

  ○ 레이블의 리스트(list) (예: ['a', 'b', 'c'] )

  ○ 레이블의 슬라이스 객체 (예: 'a':'f')

  ○ 불린 배열(boolean array) (예: [True, False])

  ○ callable 함수

    ▷ 하나의 입력변수를 활용하고 인덱스에 대한 명확한 출력을 반환하여야 한다.

대괄호 .loc, .iloc, .ix 메서드의 차이

  .loc 메서드는 레이블을 이용하여 행을 선택하며,

    ▷ 슬라이싱을 할 경우 처음과 끝이 둘 다 포함된다.

  .iloc메서드는 위치 정수를 이용하여 행을 선택한다.

    ▷ 슬라이싱을 할 경우 처음은 포함되나 끝 요소는 포함이 되지 않는다.

  공통점으로는 둘 다 불린 배열(boolean array)를 이용한 인덱싱이 가능하다.

  .ix 메서드는 레이블과 위치정수 둘 다 사용이 가능한 메서드이다.

    ▷ 단, 사용하는 것은 지양된다.

.loc 사용 예

이 섹션에서는 각 방식에 따른 예제를 보여줄 것이다.

행의 선택

아래는 하나의 인덱스 레이블을 이용하여 행을 선택한 예이다.

행의 선택 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# .loc메서드를 사용하여 행을 선택하는 예

In[4]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=['r0','r1','r2'], columns=['c0','c1','c2'])

In[5]: ex_df.loc['r1']

Out[5]: 

c0    3

c1    4

c2    5

Name: r1, dtype: int64

DataFrame에서의 하나의 요소 선택

아래 예제는 인덱스 레이블과 열의 레이블을 이용하여 하나의 요소를 선택하는 예제이다.

요소 선택 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# 하나의 요소 선택 예

In[6]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=['r0','r1','r2'], columns=['c0','c1','c2'])

In[7]: ex_df.loc['r1', 'c2']

Out[7]: 5

슬라이싱을 이용한 선택

다음 예제는 슬라이싱을 사용하여 선택을 하는 예제이다.

슬라이싱에 입력된 처음과 끝 요소 중 하나의 요소가 레이블에 없는 값이 입력된 경우에는,

  ○ 인덱스가 정렬될 수 있다면, 입력된 시작 끝 슬라이싱에 비교하고 rank에 의해 예상되는 값들을 반환한다. 

  ○ 인덱스가 정렬이 되지 않으면 에러가 발생한다. 

    ▷ 이 경우 계산 비용이 많이 들고 혼합 유형 인덱스의 경우 잠재적으로 모호하기 때문에 에러를 발생시킨다.

    ▷ 예를들어 아래의 예제에서 [1:6]인경우는 KeyError가 발생한다. 

슬라이싱을 이용한 선택 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# 인덱스의 슬라이싱 사용 예

In[8]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=['r0','r1','r2'], columns=['c0','c1','c2'])

In[9]: ex_df.loc['r1':'r2', :'c1']

Out[9]: 

    c0  c1

r1   3   4

r2   6   7

# 인덱싱 정렬을 통한 예상값 반환 예

In[10]: ex_df['r0':'r0.5']

Out[10]: 

    c0  c1  c2

r0   0   1   2

불린 배열을 이용한 데이터 선택

아래 예제는 불린 인덱싱을 사용하여 데이터를 선택하는 예제이다. 

불린 배열 사용 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# 인덱스의 불린 배열 사용 예

In[11]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=['r0','r1','r2'], columns=['c0','c1','c2'])

In[12]: ex_df.loc[[True, False, True]]

Out[12]: 

    c0  c1  c2

r0   0   1   2

r2   6   7   8

# 인덱스와 열의 불린 배열 예

In[13]:ex_df.loc[[True, False, True], [True, False, True]]

Out[13]: 

    c0  c2

r0   0   2

r2   6   8

callable 함수를 이용한 데이터 선택

다음 예제는 람다 표현식을 이용하여 데이터를 선택하는 예제이다.

다음 예제에서 보여주는 것과 같이 함수를 사용하여 필요한 데이터를 선택하는 것이 가능하다.

람다표현식 사용 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# 예제 DataFrame와 람다표현식의 설정

In[14]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=['r0','r1','r2'], columns=['c0','c1','c2'])

In[15]: x= lambda x: 'r'+str(x)

# 람다표현식 사용을 통한 인덱싱 설정

In[16]: ex_df.loc[x(0)]

Out[16]: 

c0    0

c1    1

c2    2

Name: r0, dtype: int64

정수 레이블을 이용한 데이터 선택

다음 예제는 정수 레이블을 이용한 데이터의 선택 예제이다.

예제에서 처럼 정수로도 레이블을 설정하는것이 가능하다.

iloc 메서드를 사용하여 데이터를 선택하는 것과 다르다.

  ○ .loc 메서드는 정수로 만들어진 레이블을 따르고, iloc 메서드에서 정수는 위치를 따르기 때문이다.

정수형의 레이블의 선택 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# .loc메서드 사용 예

In[17]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=[2,1,0], columns=[2,1,0])

In[18]: ex_df.loc[2]

Out[18]: 

2    0

1    1

0    2

Name: 2, dtype: int64

In[19]: ex_df.loc[2,2]

Out[19]: 0

# .iloc메서드의 정수 인덱싱

In[20]: ex_df.iloc[2]

Out[20]: 

2    6

1    7

0    8

Name: 0, dtype: int64

In[21]: ex_df.iloc[2,2]

Out[21]: 8

.loc 메서드를 이용한 배정

.loc를 사용하여 데이터를 선택하는 것 뿐만이 아니라 배정까지 가능하다.

행에 대한 배정, 요소 하나에 대한 배정, 슬라이싱을 이용한 배정 모두 유효하다. 

행의 선택 예)

# pandas와 numpy의 import

In[2]: import pandas as pd

In[3]: import numpy as np

# 행에 대한 배정 예

In[22]: ex_df=pd.DataFrame([[0,1,2],[3,4,5],[6,7,8]], index=['r0','r1','r2'], columns=['c0','c1','c2'])

In[23]: ex_df.loc['r0']=[9,9,9]     # ex_df.loc['r0']=9 와도 동등하다.

In[24]: ex_df

Out[24]: 

    c0  c1  c2

r0   9   9   9

r1   3   4   5

r2   6   7   8

# 요소에 대한 배정 예

In[25]: ex_df.loc['r1','c1']=5800

In[26]: ex_df

Out[26]: 

    c0    c1  c2

r0   9     9   9

r1   3  5800   5

r2   6     7   8

# 슬라이싱 배정 예

In[27]: ex_df.loc['r1':,'c1':]=9400

In[28]: ex_df

Out[28]: 

    c0    c1    c2

r0   9     9     9

r1   3  9400  9400

r2   6  9400  9400

In[29]: ex_df.loc['r1':,'c1':]=[[9400, 9401], [9402, 9402]]

In[30]: ex_df

Out[30]: 

    c0    c1    c2

r0   9     9     9

r1   3  9400  9401

r2   6  9402  9402

	참고자료   https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html   https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html