Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com2. Februar 2022 · Q010332

loc vs iloc in Pandas. Here’s The Difference.

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vollständige Bericht vergleicht `loc` für Bezeichnungen mit `iloc` für nullbasierte Positionen und zeigt damit einzelne Werte, Listen, Slices und bedingte Auswahlen in Pandas. Bei Slices schließt `loc` das Ende ein, `iloc` schließt es aus; in einem Beispiel nennt der Text über 180 cm, während der Code über 170 cm prüft.

Mittel

Der vollständige Bericht erklärt die Auswahl von Daten in Pandas mit `loc` und `iloc`: `loc` verwendet Zeilen- und Spaltenbezeichnungen, während `iloc` ganzzahlige, bei 0 beginnende Positionen erwartet. An einem Beispieldatensatz zu Fußballspielern zeigt der Autor einzelne Werte, ganze Zeilen sowie mehrere Zeilen und Spalten, die über Listen oder Slices ausgewählt werden. Messi und Ronaldo dienen unter anderem als Beispiele für den Zugriff auf Höhenwerte.

Ein zentraler Unterschied bei Slices ist, dass `loc` die Endbezeichnung einschließt, `iloc` die Endposition dagegen ausschließt. Für bedingte Auswahl zeigt der Bericht boolesche Bedingungen; bei `iloc` soll die boolesche Series mit `list()` in eine Liste umgewandelt werden. Mehrere Bedingungen können mit `&` verknüpft werden. Dabei weicht ein Beispiel ab: Der Text nennt eine Grenze von über 180 cm, der Code prüft über 170 cm. Der Bericht ist vollständig und verweist auf Abbildungen sowie den Beispielcode auf GitHub.

Ausführlich lesen

Der vollständige Bericht erklärt anhand von Beispielen, wie sich mit `loc` und `iloc` Zeilen und Spalten eines Pandas-DataFrames auswählen lassen. Sein Hauptunterschied: `loc` richtet sich nach den Zeilen- und Spaltenbezeichnungen, `iloc` nach deren ganzzahligen Positionen, die bei 0 beginnen. So wird im Beispiel die Höhe von Lionel Messi mit `df.loc['L. Messi', 'height_cm']` über Bezeichnungen und mit `df.iloc[0, 1]` über Positionen abgerufen; beide Abfragen ergeben 170. Für Cristiano Ronaldo nennt der Bericht entsprechend 187. Mit `:` lassen sich alle Werte einer Zeile auswählen.

Mehrere Zeilen oder Spalten können über Listen von Bezeichnungen beziehungsweise Positionen ausgewählt werden. Der Bericht zeigt etwa, wie Messi und Ronaldo gemeinsam abgerufen werden und wie sich die Auswahl auf ihre Höhen beschränken lässt. Für zusammenhängende Bereiche verwendet man Slices. Dabei hebt der Artikel einen wichtigen Unterschied hervor: Bei `loc` gehört die angegebene Endbezeichnung zum Bereich, bei `iloc` ist die Endposition ausgeschlossen. Das wird am Beispiel der Spalten von `age` bis `nationality` erläutert: `loc` schließt `nationality` ein; bei `iloc` endet der Bereich mit `0:3` vor Position 3.

Für bedingte Auswahlen zeigt der Bericht zunächst eine Höhenbedingung und die Auswahl bestimmter Spalten. Laut Artikel kann `loc` direkt mit einer booleschen Series arbeiten. Für `iloc` wird diese mit `list()` in eine boolesche Liste umgewandelt. Auch mehrere Bedingungen lassen sich mit `&` kombinieren, etwa Höhe und Vereinszugehörigkeit.

Eine Unstimmigkeit findet sich im Beispiel mit mehreren Bedingungen: Der Text beschreibt Spieler über 180 cm, der abgedruckte Code prüft jedoch `height_cm > 170`. Daher stimmt die konkrete Schwelle im Code nicht mit der Beschreibung überein. Der Bericht stellt die Unterschiede anhand eines Beispieldatensatzes zu Fußballspielern dar und verweist auf ergänzende Abbildungen und Code auf GitHub. Er ist vollständig; seine Beispiele illustrieren die beschriebenen Auswahlweisen, liefern aber keine systematische Behandlung weiterer Pandas-Selektoren oder möglicher Sonderfälle.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen (kurz und mittel) geben den Bericht treu wieder, einschließlich der Abweichung zwischen Text (über 180 cm) und Code (über 170 cm). Die Kurzfassung lässt den Beispieldatensatz zu Fußballspielern aus, was für die Kernaussagen nicht wesentlich ist. Es gab keine Sammel- oder Teilfragen zur Einordnung, daher ist das Feld einordnung leer.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →