转自：数据STUDIO 最近在尝试使用 Python 中的循环，并意识到在循环中使用“iloc”/“loc”需要花费大量时间来执行。下一个问题是为什么“loc”花费的时间太长，以及“loc”的替代方案是什么？
本文中，将通过一些实际例子来回答这些问题。
什么是 loc?
loc[] 函数是一个 pandas 函数，用于使用行索引和列名访问 DataFrame 内的值。当您知道要访问哪一行和哪一列时，可以使用它。
通过一个例子来理解 loc。我们有以下名为 df 的 pandas DataFrame（如下所示），我们想要访问列“a”中第二行对应的值，即 10。
我们可以使用以下代码访问该值：
##df.loc[index, column_name]
df.loc[1,'a']
### 输出：10
类似地，iloc 用于使用索引和列号访问值。
##df.loc[index, column_number]
df.iloc[1,0]
### 输出：10
因此，loc 函数用于使用列名访问列，而iloc 函数用于使用列索引访问列。
如果在 Python 中将 loc/iloc 与循环一起使用会发生什么？
想象一下，我们想要在 DataFrame df 中添加一个新列“c”，其值等于“a”列和“b”列的值之和。
使用“for”循环，我们可以遍历我们的 DataFrame 并使用 loc 函数添加新列“c”，如下所示：
import timestart = time.time()
# 遍历 DataFrame df
for index, row in df.iterrows():
df.loc[index, 'c' ] = row.a + row.b
end = time.time()
print (end - start)
### 所用时间：2414 秒
使用 loc 进行迭代和更新值所需的时间大约为40 分钟，这是一个很长的时间。
替代方案：使用“at”代替“loc”
我们可以通过用“at”替换“loc”（或用“iat”替换“iloc”）来执行相同的操作，如下所示。
import timestart = time.time()
# 遍历 DataFrame
for index, row in df.iterrows():
df.at[index, 'c' ] = row.a + row.b
end = time.time()
print (end - start)
### 所用时间：40 秒
该代码执行时间约为0.7 分钟，比 loc 函数所用时间快 60 倍。
“loc”与“at”在运行时间上为何存在差异？
‘at’/‘iat’
at用于iat访问标量，即 DataFrame 中的单个元素，如下所示：
df.at[2,'a']
### 输出：22
df.iat[2,0]
### 输出：22
如果我们尝试使用以下方式访问系列at和iat，则会引发错误，如下所示：
## 这将导致错误，因为我们试图访问多行
df.at[:3,'a']
### 输出：ValueError: 基于整数索引的索引只能有整数索引器
‘loc’/‘iloc’
loc旨在iloc同时访问多个元素（系列/数据框），可能执行矢量化操作。
df.loc[:3,'a']
### 输出
##0 26
##1 10
##2 22
##3 22
df.loc[:3,0]
### 输出
##0 26
##1 10
##2 22
##3 22
因为，at用于访问缩放器值，所以与loc用于访问系列/数据帧相比，它是轻量级的（实现速度很快），因此占用更多的空间和时间。
写在最后
在 Python 的循环中使用“loc”/“iloc”并不是最佳选择，应避免使用。相反，我们应该在需要的地方使用“at”/“iat”，因为它们比“loc”/“iloc”快得多。
-END- 分享一份Python可视化教程（基于py可视化利器seaborn）：530张图形+8000行代码+详细代码注释+后续免费更新+学习交流群，教程部分内容， 例如，
👉可视化配色工具，colormap多达3174类，数万种颜色！
每类图表包含详细代码+详细代码注释，多达8000行代码，例如，
如何加入学习？
👇加入学习（收费、备注：169）
✅解锁获取6大权限：
8000+行代码（复制即可运行） 在线教程文档（清晰目录） 依赖数据（免费下载） 交流群 后续更新 定期抽最新机器学习、数据科学类书籍 点个 在看、赞 就是最大的支持
