Selecionar colunas e linhas

Colunas

Um nome devolve uma Series, e uma lista de nomes devolve um DataFrame. Os colchetes duplos não são enfeite: o externo é "selecionar de df" e o interno é "uma lista de nomes":

import pandas as pd

pd.set_option("display.width", 170)
pd.set_option("display.max_columns", 20)
df = pd.read_csv("dados/funcionarios_15.csv")

print(type(df["salario"]).__name__, type(df[["salario"]]).__name__)
print(df[["nome", "departamento", "salario"]].head(3))

Series DataFrame
           nome  departamento  salario
0     Ana Souza    Engenharia     4500
1    Bruno Lima     Marketing  R$ 4650
2  Carla Mendes   engenharia      4800

Uma lista com um nome ainda é uma lista, e devolve um DataFrame com uma coluna. É a pegadinha mais comum desta parte.

`.loc` e `.iloc`

O .loc seleciona por rótulo e o .iloc, por posição inteira. Em uma tabela com o índice padrão, parecem a mesma coisa, mas com outro índice a diferença aparece:

print(len(df.loc[0:3]), len(df.iloc[0:3]))
print(df.iloc[-1]["nome"])

4 3
Ana Souza

O df.loc[0:3] devolve 4 linhas (0, 1, 2 e 3), e o df.iloc[0:3] devolve 3. Uma fatia que parece igual dá um resultado diferente, e essa assimetria pega quase todo mundo que vem das fatias do Python.

Um índice que não é 0, 1, 2

Com o id_funcionario como índice, a mesma entrada cai em linhas diferentes:

por_id = df.set_index("id_funcionario")
print(por_id.loc[103, "nome"], por_id.iloc[2]["nome"])
print(por_id.loc[103:105, "nome"].tolist())

Carla Mendes Carla Mendes
['Carla Mendes', 'Diego Rocha', 'Elisa Fernandes']

O .loc[103] busca o rótulo 103 (Carla), e o .iloc[2] busca a posição 2, que por acaso é a mesma pessoa. A fatia .loc[103:105] traz os três rótulos, inclusive o 105. Com o iloc, um número como 103 seria uma posição que não existe.

Um índice pode repetir, e aqui ele repete: o id 101 aparece duas vezes. O .loc devolve todas as linhas com aquele rótulo, e o tipo do resultado muda de Series para DataFrame:

print(type(por_id.loc[103]).__name__, type(por_id.loc[101]).__name__)
print(por_id.loc[101].shape)
print(por_id.index.is_unique)

Series DataFrame
(2, 9)
False

Um código que assume "um id, uma linha" e usa .loc[id] quebra (ou, pior, passa silenciosamente com um resultado de outro tipo) assim que há um id repetido. O capítulo 10 resolve a repetição.

Linhas e colunas juntas

O .loc aceita linhas e colunas na mesma chamada, e a condição pode ser uma máscara:

print(df.loc[df["experiencia"] > 6, ["nome", "salario"]])
print(df.loc[2:4, "nome":"cidade"])

              nome  salario
6   Gabriela Nunes     5400
7   Henrique Costa  R$ 5550
14       Ana Souza     6600
              nome      departamento          cidade
2     Carla Mendes       engenharia     Porto Alegre
3      Diego Rocha  Ciência de Dados  Rio de Janeiro
4  Elisa Fernandes                RH             NaN

Para um valor só, at (por rótulo) e iat (por posição) são mais diretos e mais rápidos do que loc e iloc:

print(df.at[0, "nome"], df.iat[0, 1])

Ana Souza Ana Souza

Selecionar também cria uma tabela nova

Uma seleção devolve um objeto independente. Alterar o resultado não altera a tabela original, e isso é uma garantia do Pandas 3 (a cópia sob escrita, que o capítulo 27 detalha):

parte = df[["nome", "idade"]]
parte.loc[0, "nome"] = "ALTERADO"
print(df.at[0, "nome"])

Ana Souza