在Pandas Dataframe中迭代行的不同方法

当使用Pandas中的Dataframe时，我们要遍历每一行通常有三种方法：

1. 使用迭代器来遍历DataFrame的每一行

这种方法比较原始，使用iterrows()方法来迭代每一行，并访问每一行的值。但是由于其内部实现需要循环遍历每一行，所以处理大数据集时比较慢。

import pandas as pd

df = pd.DataFrame({'Name':['John', 'Alex', 'Bob'], 'Age':[28, 26, 22], 'Salary': [1000, 1200, 800]})

for index, row in df.iterrows():
    print(row['Name'], row['Age'], row['Salary'])

1. 使用apply()方法逐行处理DataFrame

这种方法使用DataFrame的apply()方法，逐行遍历DataFrame并将每一行传递给函数处理。这比iterrows()方法更快，但仍然比较慢，因为它需要手动编写函数。

import pandas as pd

df = pd.DataFrame({'Name':['John', 'Alex', 'Bob'], 'Age':[28, 26, 22], 'Salary': [1000, 1200, 800]})

def print_row(row):
    print(row['Name'], row['Age'], row['Salary'])

df.apply(print_row, axis=1)

1. 使用iterrows()和列索引

这种方法结合了iterrows()和使用列索引来访问DataFrame的每一行的值。使用这种方法，我们可以在遍历DataFrame的同时，使用列名快速访问每一行的值。

import pandas as pd

df = pd.DataFrame({'Name':['John', 'Alex', 'Bob'], 'Age':[28, 26, 22], 'Salary': [1000, 1200, 800]})

for index, row in df.iterrows():
    print(row.Name, row.Age, row.Salary)

这三种方法的比较如下：

方法	优点	缺点
iterrows()方法	功能强大，可以直接使用行的整个值	处理大数据集时比较慢
apply()方法	可以手动编写函数进行逐行处理	处理大数据集时比较慢
使用iterrows()和列索引	结合了iterrows()和使用列索引的优点	对于复杂的索引，不太容易工作

以上是在Pandas Dataframe中迭代行的不同方法的完整攻略。