最近使用pandas，一直搞不清楚其中几种切片方法的区别，今天专门看了一下。
0. 把Series的行index或Dataframe的列名直接当做属性来索引。
如：
s.index_name df.column_name
但是这种方法索引的名字可能会与自带的方法冲突，比如min，max等等，所以可能会失效。另外，在新版本中，这种索引方法不能作为左值。
1. df[]直接索引
- 直接索引索引的是列，方口号里面的内容一般是列索引名。也可以接受一个列名组成的list来接受多个列名。
df['A']
df[['A', 'B']]
如果要交换两列，直接用这样的方法是不对的：
df.loc[:,['B', 'A']] = df[['A', 'B']]
这是因为pandas默认在赋值的时候回匹配列名，这里面的AB和BA实际上没有区别。如果想要交换两列的话，应该使用AB两列的值作为右值，这样就不带列索引名了。
df.loc[:,['B', 'A']] = df[['A', 'B']].values
- 索引slice对象，索引的是行，因为这样做更加符合常理
df=pd.DataFrame(np.arange(16).reshape((4,4)),index=list(range(4)),columns=['a','b','c','d']) df
Out[4]:
a b c d
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15
df[0:1]
Out[6]:
a b c d
0 0 1 2 3
这里如果是Series，就可以使用单独的数字来索引；如果是Dataframe，就不可以，需要使用Python的slice对象形式的来索引。
2. loc，基于label的索引
由于pandas处理的是具有标签的表格对象，所以设计一套基于标签的索引方法是必要的，这就是loc
loc索引要注意的是：
- loc是基于标签的，如果给出的索引中包含没有的标签，会报错
- loc索引的开闭区间机制和Python传统的不同，而是与MATLAB类似的双侧闭区间，即只要出现，就会包含该标签
- 数字也可以放入loc中当做索引，但是这时数字指的是标签而不是 位置
df.loc[0:3,'a':'c']
Out[9]:
a b c
0 0 1 2
1 4 5 6
2 8 9 10
3 12 13 14
注意上面的0:3实际上并不是数字，而是行的label。
loc也可以接受布尔索引来取出其中的一些行
df.loc[df.loc[:,'a']>1]
3. iloc，完全基于位置的索引
iloc的用法完全和numpy中的数字索引一样，开闭区间的逻辑也和Python是相同的。
要注意的是，如果iloc方括号中直接给定一个数字或者一个slice的话，默认索引的是行。其中数字的情况会返回一个Series
df.loc[:,df.loc[1]>1]
Out[21]:
a b c d
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15 df.loc[:,df.loc[1]>4]
Out[22]:
b c d
0 1 2 3
1 5 6 7
2 9 10 11
3 13 14 15 df.iloc[1]
Out[23]:
a 4
b 5
c 6
d 7
Name: 1, dtype: int32 type(df.iloc[1])
Out[24]: pandas.core.series.Series