2

Realmente este post no consiste en una duda de un problema en mi código de programación, si no que me gustaría entender la diferencia (si la hubiera) entre emplear,

val = df[df['sepal length (cm)'] > 4.5]

o mediante loc,

val = df.loc[df['sepal length (cm)'] > 4.5]

pues el resultado es el mismo. ¿Hay casos mejores para emplear una opción u otra?

Para el ejemplo he usado el dataset de iris,

import sklearn.datasets
iris = sklearn.datasets.load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)

Gracias

1
  • cuando usas .loc podes leer y escribir, por ejemplo : df.loc[df['sepal length (cm)'] > 4.5,'sepal length (cm)]='hola' . Sin embargo si lo haces sin el .loc no te va a dejar Commented el 29 ene. 2020 a las 11:56

1 respuesta 1

2

Eficiencia

Las dos operaciones no solo son compatibles en este caso sino que a nivel de eficiencia también parece que no haya mayores diferencias:

# Usando []
%timeit val = df[df['sepal length (cm)'] > 4.5]
1.09 ms ± 21 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# Usando .loc
%timeit val = df.loc[df['sepal length (cm)'] > 4.5]
1.08 ms ± 20.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

Usos

Programar de forma explicita como norma es siempre la mejor opción. Si usamos la opcion df.loc[] siempre sabemos que nos estamos refiriendo a filas, mientras que df[] es ambiguo en cuanto a referirse a filas o columnas. Por ejemplo:

# Dataframe con columnas e indices del mimsmo nombre
df = pd.DataFrame([[1,2], [3,4]], columns = ['a', 'b'], index = ['a','b']);df
    a   b
a   1   2
b   3   4

df['a']
a    1
b    3
Name: a, dtype: int64

df.loc['a']
a    1
b    2
Name: a, dtype: int64

Si te fijas, en la primera llamada df['a'] el output que nos da es la columna a, mientras que df.loc['a'] nos devuelve la fila a. Si bien es cierto que directamente llamar a las columnas y a los indices de la misma manera ya me parece un crimen, como buena practica insisto que hacer la llamada de forma explicita siempre es aconsejable.

Por otro lado, en tu caso no estas usando una llamada a una columna como el ejemplo que te he puesto, sino aplicando una mascara booleana. Es decir, le estas diciendo al dataframe que te devuelva las filas en las que tu mascara es positiva (recordemos que df['sepal length (cm)'] > 4.5 nos devuelve una lista de booleanos tal que asi: [True, False, True, ...]). Esto te puede generar problemas si alguna de tus columnas tiene nombre de booleano df = pd.DataFrame({True:[0,1],False:[2,3]}).

Ademas, df.iloc[] se puede usar para acceder a multi-indice y para modificar valores (cosa que df[] no te permite. )

Si el idioma no te es impedimento, te sugiero que le eches un vistazo a este articulo donde encontraras una buena explicacion de los usos de [], .loc y .iloc.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.