Thep Excel
Syntax & Arguments
DataFrame
ได้คืนเป็น DataFrame เมื่อ row selector เลือกหลายแถว และ column selector เลือกหลายคอลัมน์ครับ แต่ถ้า row selector เป็น label เดี่ยวจะได้ Series, ถ้าทั้ง row และ col เป็น scalar เดี่ยวจะได้ scalar โดยตรงเลย
| อาร์กิวเมนต์ | ชนิด | ค่าเริ่มต้น | คำอธิบาย |
|---|---|---|---|
| row_label | label | slice | boolean array | callable | ระบุแถวที่ต้องการ — ใช้ชื่อ index เดี่ยว, slice ของชื่อ, array of boolean, หรือ callable ที่รับ DataFrame แล้ว return selector ก็ได้ | |
| [col_label]ไม่บังคับ | label | list | slice | ทุกคอลัมน์ | ระบุคอลัมน์ที่ต้องการ — ถ้าไม่ใส่จะได้ทุกคอลัมน์ ใส่ชื่อเดี่ยวได้ Series ใส่ list ได้ DataFrame |
[ ] = อาร์กิวเมนต์ที่ไม่บังคับ
Additional Notes
df.loc เป็นวิธีหลักที่ pandas ใช้เลือกข้อมูลแบบ label-based ครับ ต่างจาก df.iloc ที่ดูตำแหน่งตัวเลข — loc ดูที่ชื่อ index และชื่อคอลัมน์จริงๆ เลย ไม่ต้องนับว่าแถวที่กี่ตำแหน่ง
รูปแบบพื้นฐานคือ df.loc[row_selector, column_selector] — ตัวแรกบอกแถว ตัวที่สองบอกคอลัมน์ ถ้าใส่แค่ตัวเดียวผมจะได้ทุกคอลัมน์ของแถวนั้น ถ้าอยากเลือกเฉพาะคอลัมน์ก็ใส่ตัวที่สองเพิ่มได้เลย
ที่เจ๋งที่สุดของ loc สำหรับผมคือ Boolean mask — เอาเงื่อนไขเช่น df[‘age’] > 25 ใส่เข้าไป pandas จะคืนเฉพาะแถวที่ผ่านเงื่อนไขกลับมา เหมือน AutoFilter ใน Excel แต่เขียนใน code ได้เลย ✨
ส่วนตัวผมใช้ loc บ่อยกว่า iloc เพราะชื่อ column บอกความหมายชัดเจนกว่าตัวเลขครับ ถ้าข้อมูลมีการเพิ่ม/ลบคอลัมน์ทีหลัง code ที่ใช้ loc ก็ยังทำงานถูกต้องอยู่ ต่างจาก iloc ที่อาจเพี้ยนได้ถ้าลำดับเปลี่ยน 😎
Examples
ตัวอย่างที่ 1: กรองแถวด้วย Boolean maskdf.loc[df['age'] > 25]
ผมสร้าง Boolean mask จากเงื่อนไข df['age'] > 25 แล้วใส่เข้า loc — pandas จะคืนเฉพาะแถวที่ age มากกว่า 25 กลับมาเป็น DataFrame ครับ เหมือน AutoFilter ใน Excel แต่เขียนใน code ได้เลย Bob, Charlie, David ผ่านเงื่อนไข Alice ไม่ผ่านเพราะอายุ 24
1 Bob 30 60000
2 Charlie 28 55000
3 David 35 80000
ตัวอย่างที่ 2: เลือกแถวตามเงื่อนไข + เฉพาะบางคอลัมน์df.loc[df['salary'] >= 55000, ['name', 'salary']]
คราวนี้ผมเพิ่ม argument ที่สองให้ loc เพื่อเลือกเฉพาะคอลัมน์ name กับ salary ครับ แถวที่ salary ≥ 55000 มีแค่ Charlie, David และ Bob — ผลลัพธ์ออกมาเป็น DataFrame สองคอลัมน์ ไม่มี age ให้รก
1 Bob 60000
2 Charlie 55000
3 David 80000
ตัวอย่างที่ 3: เลือกแถวด้วย label เดี่ยว (index เป็นชื่อ)df.loc['Bob']
ตัวอย่างนี้ผมใช้ index ที่เป็นชื่อคนครับ df.loc['Bob'] คืนทุก column ของแถว Bob กลับมาเป็น Series — ค่า index คือชื่อคอลัมน์ ค่า value คือข้อมูลในแถวนั้น ถ้าเปรียบกับ Excel ก็เหมือน VLOOKUP แบบหาชื่อแล้วดึงข้อมูลในแถวนั้นออกมาเลย
Name: Bob, dtype: int64
ตัวอย่างที่ 4: กรองด้วยหลายเงื่อนไขพร้อมกันdf.loc[(df['dept'] == 'IT') & (df['years'] >= 5)]
ผมรวมสองเงื่อนไขด้วย & (AND) ครับ ต้องใส่ () ครอบแต่ละเงื่อนไขด้วย มิฉะนั้น Python จะ error เพราะ operator precedence ผลลัพธ์คือแถวที่เป็น IT และมีประสบการณ์ 5 ปีขึ้นไป ถ้าอยากได้ OR ใช้ | แทนครับ
1 IT 70000 5
3 IT 80000 7
FAQs
loc ต่างจาก iloc ยังไงครับ?+
ต่างกันที่ loc ใช้ label (ชื่อ index / ชื่อคอลัมน์) ส่วน iloc ใช้ตำแหน่งตัวเลข 0-based ครับ เช่น df.loc['Alice'] กับ df.iloc[0] อาจได้แถวเดียวกัน แต่ถ้าเราเรียงลำดับ DataFrame ใหม่ iloc[0] จะได้แถวอื่น ส่วน loc['Alice'] ยังได้ Alice อยู่เสมอ ผมเลยชอบ loc มากกว่าเพราะ predictable กว่าครับ
ทำไมต้องใส่วงเล็บ () ครอบเงื่อนไขตอนใช้ & หรือ | ใน loc?+
เพราะ Python มี operator precedence ครับ & และ | มี priority ต่ำกว่า == และ > ถ้าไม่ใส่ () Python จะตีความผิดและ throw error หรือได้ผลผิดพลาด ผมจำง่ายๆ ว่า 'แต่ละเงื่อนไขต้องมีวงเล็บครอบ' เช่น (df['a'] > 1) & (df['b'] == 'X') ครับ
loc กับการ assign ค่าใหม่ใช้ได้ไหม?+
ได้เลยครับ! df.loc[df['status'] == 'inactive', 'score'] = 0 จะ set ค่า score เป็น 0 ทุกแถวที่ status เป็น inactive ผมใช้แบบนี้บ่อยมากตอนต้องการแก้ไขข้อมูลบางส่วนโดยไม่กระทบแถวอื่น คล้ายกับใช้ IF + range ใน Excel แต่สะดวกกว่ามากครับ
Resources & Related
ฟังก์ชันที่ผู้เขียนโยงไว้กับ pandas loc จัดกลุ่มตามหมวด · ชี้ที่ชื่อใดชื่อหนึ่ง แล้วฟังก์ชันที่ใช้คู่กันจะมีจุดทอง
iloc ใน pandas ผมใช้สำหรับเลือกแถวและคอลัมน์ด้วยตำแหน่งตัวเลข (0-based index) เหมือนการอ้างอิงเซลล์ใน Excel ด้วยเลขแถว-คอลัมน์ครับ ต่างจาก loc ตรงที่ iloc ไม่สนใจชื่อ index — ดูแค่ว่าอยู่ตำแหน่งที่เท่าไหร่เท่านั้น
isin ใน pandas ผมใช้เช็คว่าแต่ละค่าในคอลัมน์ตรงกับค่าใน list ที่กำหนดไหม คืนมาเป็น True/False ทีละแถว ถ้าใครเคย filter หลายค่าพร้อมกันใน Excel หรือเขียน OR หลายเงื่อนไขซ้อนๆ กัน ตัวนี้คือทางลัดที่สะอาดกว่ามากครับ
query ใน pandas ผมใช้กรองแถวใน DataFrame ด้วยข้อความเงื่อนไขที่อ่านง่ายเหมือนพูดภาษาคน แทนที่จะเขียน boolean mask ยาวๆ ให้ตาลาย เหมาะมากกับเงื่อนไขซับซ้อนหลายข้อที่อยากให้โค้ดสั้นและอ่านรู้เรื่องครับ
set_index ใน pandas ผมใช้สำหรับตั้งคอลัมน์ใดคอลัมน์หนึ่ง (หรือหลายคอลัมน์) ให้กลายเป็น index หลักของ DataFrame เหมือนกับการกำหนดคีย์หลักให้ตาราง เพื่อให้ค้นหาข้อมูลด้วย .loc[] ได้อย่างรวดเร็วและตรงจุดครับ
ยังไม่มีบทความที่เกี่ยวข้องกับฟังก์ชันนี้
Comments
อีเมลของคุณจะไม่ถูกเผยแพร่