主要观点总结
本文主要讨论了Python中循环使用“loc”和“iloc”的时间效率问题，以及提供了使用“at”和“iat”作为替代方案的说明。文章还解释了“loc”、“iloc”、“at”和“iat”之间的区别及其在运行时间上存在差异的原因。
关键观点总结
关键观点1: “loc”和“iloc”在Pandas中的用途
“loc”用于使用行索引和列名访问DataFrame内的值，而“iloc”用于使用索引和列号访问值。
关键观点2: 使用“loc”在循环中的时间消耗
在DataFrame df中添加新列“c”的示例中，使用“loc”进行迭代和更新值所需的时间大约为40分钟。
关键观点3: 使用“at”作为“loc”的替代方案
通过使用“at”替换“loc”（或“iat”替换“iloc”）可以显著提高代码的执行效率，执行时间可以缩短约60倍。
关键观点4: 'at'和'iat'与'loc'和'iloc'之间的运行时间差异的原因
'at'和'iat'用于访问标量值，是轻量级的，因此比'loc'和'iloc'（用于访问系列/数据帧）执行速度快。
关键观点5: 建议
在Python的循环中使用“loc”/“iloc”并不是最佳选择，应尽量避免使用。相反，应在需要的地方使用“at”/“iat”，因为它们更快速。
正文
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。
