[：]とiloc [：]での割り当てがパンダで異なる結果をもたらすのはなぜですか？

私はilocパンダで使用しているさまざまなインデックス付け方法にとても混乱しています。

1-dデータフレームを2-dデータフレームに変換しようとしているとしましょう。まず、次の1-dデータフレームがあります

a_array = [1,2,3,4,5,6,7,8]
a_df = pd.DataFrame(a_array).T

そして、それをのサイズの2Dデータフレームに変換し2x4ます。2Dデータフレームを次のようにプリセットすることから始めます。

b_df = pd.DataFrame(columns=range(4),index=range(2))

次に、forループを使用して、次のコードでa_df（1-d）をb_df（2-d）に変換します

for i in range(2):
    b_df.iloc[i,:] = a_df.iloc[0,i*4:(i+1)*4]

それは私に次の結果を与えるだけです

     0    1    2    3
0    1    2    3    4
1  NaN  NaN  NaN  NaN

しかし、私がに変更b_df.iloc[i,:]したときb_df.iloc[i][:]。結果は次のように正しいです、これは私が欲しいものです

   0  1  2  3
0  1  2  3  4
1  5  6  7  8

.iloc[i,:]との違いを誰かに説明してもらえますか、.iloc[i][:]なぜ.iloc[i][:]上記の私の例ではうまくいったのですか？.iloc[i,:]

代入するとき、との間には非常に大きな違いがseries.iloc[:]ありseries[:]ます。(i)loc常に、割り当て元が割り当て対象のインデックスと一致することを確認します。一方、[:]構文は、インデックスのアライメントをバイパスして、基になるNumPy配列に割り当てます。

s = pd.Series(index=[0, 1, 2, 3], dtype='float')  
s                                                                          

0   NaN
1   NaN
2   NaN
3   NaN
dtype: float64

# Let's get a reference to the underlying array with `copy=False`
arr = s.to_numpy(copy=False) 
arr 
# array([nan, nan, nan, nan])

# Reassign using slicing syntax
s[:] = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])                 
s                                                                          

0    1
1    2
2    3
3    4
dtype: int64

arr 
# array([1., 2., 3., 4.]) # underlying array has changed

# Now, reassign again with `iloc`
s.iloc[:] = pd.Series([5, 6, 7, 8], index=[3, 4, 5, 6]) 
s                                                                          

0    NaN
1    NaN
2    NaN
3    5.0
dtype: float64

arr 
# array([1., 2., 3., 4.])  # `iloc` created a new array for the series
                           # during reassignment leaving this unchanged

s.to_numpy(copy=False)     # the new underlying array, for reference                                                   
# array([nan, nan, nan,  5.]) 

違いを理解したところで、コードで何が起こるか見てみましょう。ループのRHSを印刷して、何を割り当てているかを確認します。

for i in range(2): 
    print(a_df.iloc[0, i*4:(i+1)*4]) 

# output - first row                                                                   
0    1
1    2
2    3
3    4
Name: 0, dtype: int64
# second row. Notice the index is different
4    5
5    6
6    7
7    8
Name: 0, dtype: int64   

b_df.iloc[i, :]2番目の反復でに割り当てる場合、インデックスが異なるため、何も割り当てられず、NaNのみが表示されます。ただし、に変更 b_df.iloc[i, :]するb_df.iloc[i][:]と、基になるNumPy配列に割り当てられるため、インデックスの配置はバイパスされます。この操作は次のように表現されます

for i in range(2):
    b_df.iloc[i, :] = a_df.iloc[0, i*4:(i+1)*4].to_numpy()

b_df                                                                       

   0  1  2  3
0  1  2  3  4
1  5  6  7  8

また、これが連鎖代入の一種であることもお勧めします。これは良いことではなく、コードが読みにくくなり、理解しにくくなります。

違いは、最初のケースではPythonインタープリターがコードを次のように実行したことです。

b_df.iloc[i,:] = a_df.iloc[0,i*4:(i+1)*4]
#as
b_df.iloc.__setitem__((i, slice(None)), value)

ここで、値は方程式の右辺になります。一方、2番目のケースでは、Pythonインタープリターがコードを次のように実行しました。

b_df.iloc[i][:] = a_df.iloc[0,i*4:(i+1)*4]
#as
b_df.iloc.__getitem__(i).__setitem__(slice(None), value)

ここでも、値は方程式の右辺になります。

これら2つのケースのそれぞれで、キー（i、slice（None））とslice（None）の違いにより、setitem内で異なるメソッドが呼び出されます。したがって、動作は異なります。

誰も私に何の違い説明できる.iloc[i,:]と .iloc[i][:]あるが

違い.iloc[i,:]と.iloc[i][:]

の.iloc[i,:]特定の位置に直接アクセスしている場合は、th行のDataFrameすべての（:）列を選択しますi。私の知る限り、2番目の次元を指定しないでおくことと同じ.iloc[i]です（）。

.iloc[i][:]あなたが2つの連鎖操作を実行している場合。したがって、の結果はの.iloc[i]影響を受け[:]ます。設定値にこれを使用するとパンダ自体によって推奨され、ここであなたがそれを使用するべきではありませんので、注意して：

設定操作でコピーまたは参照が返されるかどうかは、コンテキストによって異なります。これはチェーン割り当てと呼ばれることがあり、避ける必要があります

...そしてなぜ.iloc[i][:]上記の私の例ではうまくいったが、そうではなかったのか.iloc[i,:]

@ScottがOPのコメントで述べたように、データアライメントは組み込みです。したがって=、左側に存在しない場合、右側のインデックスは含まれません。これがNaN、2行目に値がある理由です。

だから、物事を明確にするために、次のようにすることができます：

for i in range(2):
    # Get the slice
    a_slice = a_df.iloc[0, i*4:(i+1)*4]
    # Reset the indices
    a_slice.reset_index(drop=True, inplace=True)
    # Set the slice into b_df
    b_df.iloc[i,:] = a_slice

それとも、に変換することができますlist代わりに使用しますreset_index：

for i in range(2):
    # Get the slice
    a_slice = a_df.iloc[0, i*4:(i+1)*4]
    # Convert the slice into a list and set it into b_df
    b_df.iloc[i,:] = list(a_slice)