iloc是pandas库中用于基于整数位置进行索引和切片的一种方法，它允许通过行和列的整数位置来访问DataFrame中的特定数据，以下是对iloc的详细解释及示例：
一、基本用法
1. 单个整数选择
语法：df.iloc[row_index]
示例：
import pandas as pd
data = {'name': ['Tom', 'Nick', 'John', 'Tom', 'John'],
'age': [20, 21, 19, 20, 18],
'score': [90, 85, 88, 92, 90]}
df = pd.DataFrame(data)
print(df.iloc[3])输出：
name Tom age 20 score 92 Name: 3, dtype: object
这个例子选择了DataFrame中第四行（索引为3）的所有列。
2. 整数列表选择
语法：df.iloc[[row_index1, row_index2, ...]]
示例：
print(df.iloc[[0, 2, 4]])
输出：
name age score
0 Tom 20 90
2 John 19 88
4 John 18 90这个例子选择了DataFrame中第一行、第三行和第五行。
3. 整数切片对象选择
语法：df.iloc[start:end] 或df.iloc[start:end, column_start:column_end]
示例：
print(df.iloc[1:3])
输出：
name age score
1 Nick 21 85
2 John 19 88这个例子选择了DataFrame中第二行到第三行（不包括第四行）的所有列。
另一个例子是选择特定的行和列范围：
print(df.iloc[0:2, 0:3])
输出：
name age score
0 Tom 20 90
1 Nick 21 85这个例子选择了DataFrame中第一行到第二行（不包括第三行）以及第一列到第三列（不包括第四列）。
4. 布尔数组选择
语法：df.iloc[bool_array]
示例：
print(df.iloc[df['age'].values > 19])
输出（假设）：
name age score
1 Nick 21 85
2 John 19 88
4 John 18 90这个例子选择了DataFrame中年龄大于19的所有行。
5. 可调用函数选择
语法：df.iloc[lambda x: condition]
示例：
print(df.iloc[lambda x: x.index % 2 == 0])
输出：
name age score
0 Tom 20 90
2 John 19 88
4 John 18 90这个例子选择了DataFrame中索引为偶数的所有行。
二、混合索引和列的索引器类型
可以混合使用不同类型的索引器来选择行和列，可以选择整个轴上的标量整数，也可以使用切片对象或布尔数组，下面是一个示例：
df = pd.DataFrame({'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]})
print(df.iloc[0, [1, 2]])输出：
B 4 C 7 Name: 0, dtype: int64
这个例子选择了DataFrame中第一行（索引为0）的第二列和第三列。
另一个更复杂的示例是：
print(df.iloc[1:3, [0, 2]])
输出：
A C 1 2 6 2 3 9
这个例子选择了DataFrame中第二行到第三行（不包括第四行）的第一列和第三列。
三、FAQs
Q1: iloc和loc有什么区别？
A1: iloc是基于整数位置的索引，而loc是基于标签的索引，iloc使用整数位置来选择数据，而loc使用行标签和列标签来选择数据，iloc在切片时不包含结束位置，而loc包含结束位置，对于缺失的标签，iloc会引发KeyError，而loc会返回NaN。
Q2: 如果请求的索引器越界，iloc会如何处理？
A2: 如果请求的索引器越界，并且使用的是切片对象，则iloc会根据Python/NumPy的切片语义处理，即可能会引发IndexError或返回空的结果，如果请求的索引器是标量整数且越界，则会引发IndexError。