Pandas의 loc와 iloc 사용법 정리

Pandas에서 loc와 iloc은 DataFrame이나 Series에서 특정 데이터나 행, 열을 선택할 때 사용하는 중요한 기능입니다.

• 행/열의 이름(label)로 데이터를 찾을 땐 loc
• 위치를 기반으로 데이터를 찾을 땐 iloc

loc vs iloc

구분	의미	사용하는 값	끝 값 포함 여부
loc	label-based indexing (라벨 기준)	행/열의 이름(label)	✅ (포함)
iloc	integer-based indexing (정수 위치 기준)	정수 인덱스(0, 1, 2, ...)	❌ (포함 안 함)

예시

• 다음과 같은 DataFrame이 있다고 가정합니다.

import pandas as pd

df = pd.DataFrame({
    "A": ["A0", "A1", "A2"],
    "B": ["B0", "B1", "B2"],
    "C": ["C0", "C1", "C2"]
}, index=["row1", "row2", "row3"])

       A   B   C
row1  A0  B0  C0
row2  A1  B1  C1
row3  A2  B2  C2

loc (라벨로 선택)

한 행 선택하기

df.loc["row1"]

여러 행, 여러 열 선택하기

df.loc[["row1", "row2"], ["A", "B"]]

범위로 선택하기 (끝 포함)

df.loc["row1":"row2", "A":"B"]

iloc (정수 위치로 선택)

한 행 선택하기

df.iloc[0]  # 첫 번째 행

여러 행, 여러 열 선택하기

df.iloc[[0, 1], [0, 1]]

범위로 선택하기 (끝 포함 안 됨)

df.iloc[0:2, 0:2]

⚠️ 주의할 점

• loc은 인덱스(행, 열의 이름)로 데이터를 찾으며, 슬라이싱에서 끝이 포함됩니다.
• iloc은 0부터 시작하는 정수 위치로 찾으며, 슬라이싱에서 끝이 포함되지 않습니다.

---

Pandas Accessor

Pandas에서는 Series와 Index에 대해 특정 데이터 타입에 특화된 연산을 벡터화하여 수행할 수 있게 도와주는 Accessor (.str, .dt, .cat 등) 를 제공합니다.

이 Accessor는 마치 데이터 타입 전용 도구상자라고 볼 수 있습니다.

• Accessor는 특정 데이터 타입에 특화된 메서드 집합입니다.
• Pandas의 Series 또는 Index에서만 사용 가능합니다.
• 벡터화된 방식으로 반복문 없이 빠르게 데이터 처리할 수 있습니다.

주요 Accessor 목록

Accessor	대상 타입	설명	사용 예시
.str	문자열 (object, string)	문자열 관련 메서드 제공	s.str.replace(' ', '_')
.dt	날짜/시간 (datetime64)	날짜/시간 정보 추출 및 포맷팅	s.dt.year, s.dt.day_name()
.cat	카테고리 (category)	카테고리 관리 및 처리	s.cat.codes, s.cat.remove_unused_categories()
.sparse	희소 데이터 (SparseDtype)	메모리 절약형 희소 데이터 연산	s.sparse.density
.flags	Series/DataFrame	내부 설정값 확인 및 설정	s.flags.allows_duplicate_labels
.array	ExtensionArray-backed Series	내부 배열에 직접 접근	s.array (예: nullable int, string 등)

---

1. 문자열 처리: .str

s = pd.Series(['apple pie', 'banana bread'])
s.str.replace(' ', '_')
# 결과: ['apple_pie', 'banana_bread']

문자열 처리 함수 목록

import inspect 

df = pd.DataFrame({"data": ["Hello", "World"]})

for name in [name for name, object in inspect.getmembers(df['data'].str) if not name.startswith("_")]:
    print(f"- {name}")

• capitalize
• casefold
• cat
• center
• contains
• count
• decode
• encode
• endswith
• extract
• extractall
• find
• findall
• fullmatch
• get
• get_dummies
• index
• isalnum
• isalpha
• isdecimal
• isdigit
• islower
• isnumeric
• isspace
• istitle
• isupper
• join
• len
• ljust
• lower
• lstrip
• match
• normalize
• pad
• partition
• removeprefix
• removesuffix
• repeat
• replace
• rfind
• rindex
• rjust
• rpartition
• rsplit
• rstrip
• slice
• slice_replace
• split
• startswith
• strip
• swapcase
• title
• translate
• upper
• wrap
• zfill

2. 날짜 처리: .dt

s = pd.Series(pd.to_datetime(['2023-01-01', '2024-03-23']))
s.dt.year
# 결과: [2023, 2024]

s.dt.day_name()
# 결과: ['Sunday', 'Saturday']

날짜 처리 함수 목록

import inspect 

df = pd.DataFrame({"data": ["2024-03-02", "2024-04-02"]})

df['data'] = pd.to_datetime(df['data'])
for name in [name for name, object in inspect.getmembers(df['data'].dt) if not name.startswith("_")]:
    print(f"- {name}")

• as_unit
• ceil
• date
• day
• day_name
• day_of_week
• day_of_year
• dayofweek
• dayofyear
• days_in_month
• daysinmonth
• floor
• freq
• hour
• is_leap_year
• is_month_end
• is_month_start
• is_quarter_end
• is_quarter_start
• is_year_end
• is_year_start
• isocalendar
• microsecond
• minute
• month
• month_name
• nanosecond
• normalize
• quarter
• round
• second
• strftime
• time
• timetz
• to_period
• to_pydatetime
• tz
• tz_convert
• tz_localize
• unit
• weekday
• year

3. 카테고리 처리: .cat

s = pd.Series(['red', 'blue', 'green'], dtype='category')
s.cat.codes
# 결과: [1, 0, 2]

카테고리 처리 함수 목록

import inspect 

df = pd.DataFrame({"data": ["a", "b", "c", "a", "c"]}).astype('category')

for name in [name for name, object in inspect.getmembers(df['data'].cat) if not name.startswith("_")]:
    print(f"- {name}")

• add_categories
• as_ordered
• as_unordered
• categories
• codes
• ordered
• remove_categories
• remove_unused_categories
• rename_categories
• reorder_categories
• set_categories

4. 희소 데이터: .sparse

s = pd.Series([0, 0, 1, 0, 2], dtype=pd.SparseDtype("int", fill_value=0))
s.sparse.density
# 결과: 0.4

5. 플래그: .flags

s = pd.Series([1, 2, 3])
s.flags.allows_duplicate_labels
# 결과: True (기본값)

---

Pandas 주요 데이터 타입 정리

데이터 타입	dtype 표기	예시	설명
정수	int64, int32, Int64 등	1, 5, 100	정수형 숫자
실수	float64, float32 등	3.14, 0.99	소수점 포함 숫자
복소수(complex)	complex128, complex64	1+2j, 3+4j	복소수형 숫자
문자열	object, string	'hello', '가나다'	문자열 데이터
불리언(Boolean)	bool	True, False	참/거짓 값
날짜/시간	datetime64[ns]	'2023-01-01'	날짜 및 시간 데이터
timedelta	timedelta64[ns]	'2 days', '01:00:00'	시간의 차이
카테고리(Category)	category	'male', 'female'	범주형 데이터
희소형(Sparse)	Sparse[int64], Sparse[float] 등	대부분 0인 데이터	메모리 절약형 데이터

1. 기본 정수(int64)

s = pd.Series([1, 2, 3])
s.dtype  # int64

2. 실수형(float64)

s = pd.Series([1.1, 2.2, 3.3])
s.dtype  # float64

3. 문자열(object 또는 string)

s = pd.Series(['apple', 'banana'])
s.dtype  # object 또는 string (명시적 지정 가능)

4. 날짜/시간(datetime64[ns])

s = pd.Series(pd.to_datetime(['2023-01-01', '2024-03-23']))
s.dtype  # datetime64[ns]

5. 불리언(bool)

s = pd.Series([True, False, True])
s.dtype  # bool

6. 카테고리(category)

s = pd.Series(['small', 'medium', 'large'], dtype='category')
s.dtype  # category

7. 시간 차이(timedelta64[ns])

s = pd.Series(pd.to_timedelta(['1 days', '5 hours']))
s.dtype  # timedelta64[ns]

8. 복소수(complex)

s = pd.Series([1+2j, 3+4j])
s.dtype  # complex128

9. 희소형 데이터(Sparse)

s = pd.Series([0, 0, 1, 0, 0], dtype=pd.SparseDtype("int", 0))
s.dtype  # Sparse[int64, 0]

pandas 모듈에서 직접 제공하는 pd.to_xxxx 함수들

• 데이터 전처리 단계에서 자주 사용됨.
• 데이터를 올바른 dtype으로 변환할 때 필수적.
• 범용성이 높아 데이터 분석에서 매우 자주 사용됩니다.

이 함수들은 pd. 형태로 직접 호출됩니다. (DataFrame 객체의 메서드와는 별개입니다.)

함수	용도	설명과 예시
pd.to_datetime()	날짜/시간 타입으로 변환	문자열 → datetime 변환 pd.to_datetime(["2024-03-01", "2024-03-02"])
pd.to_timedelta()	시간 차이로 변환	문자열 → timedelta 변환 pd.to_timedelta(["2 days", "1 hour"])
pd.to_numeric()	숫자(정수/실수) 타입으로 변환	문자열 → 숫자 변환 pd.to_numeric(["1.1", "2.2"])
pd.to_pickle()	객체를 pickle 파일로 저장	객체를 직렬화하여 저장 pd.to_pickle(df, "file.pkl")

1. 날짜 변환 (pd.to_datetime)

pd.to_datetime(['2024-03-02', '2024-03-03'])
# DatetimeIndex(['2024-03-02', '2024-03-03'], dtype='datetime64[ns]')

2. 시간 차이 변환 (pd.to_timedelta)

pd.to_timedelta(['2 days', '3 hours'])
# TimedeltaIndex(['2 days 00:00:00', '0 days 03:00:00'], dtype='timedelta64[ns]')

3. 숫자 변환 (pd.to_numeric)

pd.to_numeric(['1.5', '2.6', '3'])
# array([1.5, 2.6, 3. ])

4. pickle 저장 (pd.to_pickle)

• 빠른 속도로 데이터를 저장하고 로딩할 수 있습니다.
• 객체의 모든 정보(index, dtype, 기타 메타정보 등)가 그대로 유지됩니다.
• 임시 데이터를 빠르게 저장하거나 중간 결과물을 보관할 때 매우 유용합니다.

import pandas as pd
df = pd.DataFrame({'a': [1, 2]})
pd.to_pickle(df, 'df.pkl')

np.squeeze vs ndarray.reshape(-1)

• numpy 배열의 차원을 줄이는 데 사용

기능	np.squeeze()	reshape(-1)
작동 방식	크기 1인 차원만 제거	전체 배열을 1차원으로 평탄화
유연성	특정 axis 지정 가능 (axis=...)	자동 계산된 1차원 shape으로 변환
shape 예시 1	(1, 3, 1) → (3,)	(1, 3, 1) → (3,)
shape 예시 2	(2, 3) → 변경 없음	(2, 3) → (6,)
주 사용 목적	불필요한 크기 1 차원 제거	데이터를 납작한 배열(flat)로 만들 때 사용

np.squeeze(arr)

• 크기가 1인 차원만 제거

import numpy as np

arr = np.array([[[10], [20], [30]]])  # shape: (1, 3, 1)

squeezed = np.squeeze(arr)
print(squeezed)         # [10 20 30]
print(squeezed.shape)   # (3,)

• squeeze()는 (크기 1인 차원만) 제거
• 원소 수는 변하지 않음.
• 원하는 차원을 지정해서 제거할 수도 있음
  • np.squeeze(arr, axis=0)

reshape(-1): 1차원으로 평탄화

arr = np.array([[10], [20], [30]])  # shape: (3, 1)

flattened = arr.reshape(-1)
print(flattened)        # [10 20 30]
print(flattened.shape)  # (3,)

• reshape(-1)은 1차원으로 평탄화함.
• -1은 “남은 차원은 자동 계산해줘”의 의미.
• 크기가 1이 아닌 차원도 포함해서 전체 구조를 바꿈.