如何从数据框的单元格获取值？

我构造了一个条件，可以从我的数据帧中准确提取一行：

d2 = df[(df['l_ext']==l_ext) & (df['item']==item) & (df['wn']==wn) & (df['wd']==1)]

现在，我想从特定列中获取一个值：

val = d2['col_name']

但是结果是我得到一个包含一行一列（即一个单元格）的数据帧。这不是我所需要的。我需要一个值（一个浮点数）。我该如何在熊猫中做到这一点？

如果您的DataFrame仅包含一行，则使用iloc，以Series的形式访问第一（唯一）行，然后使用列名访问值：

In [3]: sub_df
Out[3]:
          A         B
2 -0.133653 -0.030854

In [4]: sub_df.iloc[0]
Out[4]:
A   -0.133653
B   -0.030854
Name: 2, dtype: float64

In [5]: sub_df.iloc[0]['A']
Out[5]: -0.13365288513107493

这些是标量的快速访问

In [15]: df = pandas.DataFrame(numpy.random.randn(5,3),columns=list('ABC'))

In [16]: df
Out[16]: 
          A         B         C
0 -0.074172 -0.090626  0.038272
1 -0.128545  0.762088 -0.714816
2  0.201498 -0.734963  0.558397
3  1.563307 -1.186415  0.848246
4  0.205171  0.962514  0.037709

In [17]: df.iat[0,0]
Out[17]: -0.074171888537611502

In [18]: df.at[0,'A']
Out[18]: -0.074171888537611502

您可以将1x1数据帧转换为numpy数组，然后访问该数组的第一个也是唯一的值：

val = d2['col_name'].values[0]

多数答案都在使用iloc，这对于按位置选择非常有用。

如果需要按标签选择 loc会更方便。

用于显式获取值（等于不推荐使用的df.get_value（'a'，'A'））

# this is also equivalent to df1.at['a','A']
In [55]: df1.loc['a', 'A'] 
Out[55]: 0.13200317033032932

我需要一个由列和索引名称选择的单元格的值。此解决方案为我工作：

original_conversion_frequency.loc[1,:].values[0]

熊猫10.1 / 13.1之后看起来像变化

在iloc不可用之前，我从10.1升级到13.1。

现在有了13.1，iloc[0]['label']将获得单个值数组而不是标量。

像这样：

lastprice=stock.iloc[-1]['Close']

输出：

date
2014-02-26 118.2
name:Close, dtype: float64

我找到的最快/最简单的选项如下。501表示行索引。

df.at[501,'column_name']
df.get_value(501,'column_name')

对于0.10的大熊猫，在iloc不可取的地方，过滤a DF并获取列的第一行数据VALUE：

df_filt = df[df['C1'] == C1val & df['C2'] == C2val]
result = df_filt.get_value(df_filt.index[0],'VALUE')

如果过滤的行数超过1，则获取第一行的值。如果过滤器导致数据帧为空，则会出现异常。

不知道这是否是一个好习惯，但是我注意到我也可以通过将序列强制转换为来获得值float。

例如

rate

3 0.042679

名称：Unemployment_rate，dtype：float64

float(rate)

0.0426789

它不需要很复杂：

val = df.loc[df.wd==1, 'col_name'].values[0]

df_gdp.columns

索引（[u'Country'，u'Country Code'，u'Indicator Name'，u'Indicator Code'，u'1960'，u'1961'，u'1962'，u'1963'，u'1964' ，u'1965'，u'1966'，u'1967'，u'1968'，u'1969'，u'1970'，u'1971'，u'1972'，u'1973'，u'1974' ，u'1975'，u'1976'，u'1977'，u'1978'，u'1979'，u'1980'，u'1981'，u'1982'，u'1983'，u'1984' ，u'1985'，u'1986'，u'1987'，u'1988'，u'1989'，u'1990'，u'1991'，u'1992'，u'1993'，u'1994' ，u'1995'，u'1996'，u'1997'，u'1998'，u'1999'，u'2000'，u'2001'，u'2002'，u'2003'，u'2004'，u'2005'，u'2006'，u'2007'，u'2008'，u'2009'，u'2010'， u'2011'，u'2012'，u'2013'，u'2014'，u'2015'，u'2016']，dtype ='object'）

df_gdp[df_gdp["Country Code"] == "USA"]["1996"].values[0]

8100000000000.0