读者们，你们好！在本文中，我们将详细介绍创建Python Dataframe子集的不同**方法。
那么，让我们开始吧！
首先，什么是Python Dataframe？
Python Pandas module为我们提供了两种数据结构，即系列和数据帧来存储值。
Dataframe 是一种数据结构，它以矩阵的形式保存数据，即它以行和列的值形式包含数据。因此，与之相关联，我们可以按以下格式创建和访问它的子集：
- 按行作为子集取数
- 按列作为子集取数
- 访问部分行和列的特定数据作为子集
了解了数据帧和子集之后，现在让我们了解从数据帧创建子集的不同技术。
创建一个数据框架！
要创建数据帧的子集，我们需要创建数据帧。让我们先把这件事解决掉：
1import pandas as pd
2data = {"Roll-num": [10,20,30,40,50,60,70], "Age":[12,14,13,12,14,13,15], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']}
3block = pd.DataFrame(data)
4print("Original Data frame:\n")
5print(block)
输出：
1Original Data frame:
2
3 Roll-num Age NAME
40 10 12 John
51 20 14 Camili
62 30 13 Rheana
73 40 12 Joseph
84 50 14 Amanti
95 60 13 Alexa
106 70 15 Siri
这里，我们使用anda as.DataFrame()方法创建了一个数据框。我们将在本文中使用上面创建的数据集
让我们开始吧！
1.使用loc()函数创建Python DataFrame的子集
Pythonloc()function使我们能够根据特定的行或列或两者的组合形成数据帧的子集。
loc()函数基于标签工作 ，即我们需要为其提供行/列的标签来选择和创建自定义子集。
语法：
1pandas.dataframe.loc[]
示例1：提取数据帧中特定行的数据
1block.loc[[0,1,3]]
输出：
如下所示，我们已经创建了一个子集，其中包括第0、1和3行的所有数据。
1Roll-num Age NAME
20 10 12 John
31 20 14 Camili
43 40 12 Joseph
示例2：使用切片创建行的子集
1block.loc[0:3]
在这里，我们使用带有loc()函数的切片操作符提取了从索引0到索引3的所有行的数据。
输出：
1Roll-num Age NAME
20 10 12 John
31 20 14 Camili
42 30 13 Rheana
53 40 12 Joseph
示例3： ** 使用标签创建特定列的子集*
1block.loc[0:2,['Age','NAME']]
输出：
1Age NAME
20 12 John
31 14 Camili
42 13 Rheana
在这里，我们创建了一个子集，它包括从第0行到第2行的数据，但只包括一些特定列的数据，即‘年龄’和‘名字’。
2.使用Python iloc()函数创建数据帧的子集
Python iloc()function使我们能够创建子集，根据索引从行和列中选择特定值。
也就是说，与处理标签的loc()函数不同，iloc()函数处理索引值 。我们可以从提供行和列索引号的数据中选择并创建Python DataFrame的子集。
密码：
1pandas.dataframe.iloc[]
示例：
1block.iloc[[0,1,3,6],[0,2]]
这里，我们创建了一个子集，它包括行0、1、3和6的数据以及列号0和2，即‘roll-num’和‘name’。
输出：
1Roll-num NAME
20 10 John
31 20 Camili
43 40 Joseph
56 70 Siri
3.创建数据帧子集的索引操作符
以一种简单的方式，我们可以使用一个索引运算符，即方括号来创建数据的子集。
语法：
1dataframe[['col1','col2','colN']]
示例：
1block[['Age','NAME']]
在这里，我们分别选择了Age和Name列的所有数据值。
输出 ：
1Age NAME
20 12 John
31 14 Camili
42 13 Rheana
53 12 Joseph
64 14 Amanti
75 13 Alexa
86 15 Siri
结论
至此，我们已经到了这个话题的结尾。请在下面发表评论，以防您遇到任何问题。有关更多与Python相关的此类帖子，请继续关注，直到那时，快乐学习！！：)