另一种方法是:

first_value = df['Btime'].values[0]

这种方式似乎比使用.iloc更快:

In [1]: %timeit -n 1000 df['Btime'].values[20]
5.82 µs ± 142 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [2]: %timeit -n 1000 df['Btime'].iloc[20]
29.2 µs ± 1.28 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

另一种方法是:

first_value = df['Btime'].values[0]

这种方式似乎比使用.iloc更快:

In [1]: %timeit -n 1000 df['Btime'].values[20]
5.82 µs ± 142 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [2]: %timeit -n 1000 df['Btime'].iloc[20]
29.2 µs ± 1.28 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

注意，来自@unutbu的答案将是正确的，直到你想将值设置为新的值，然后如果你的数据框架是一个视图，它将不起作用。

In [4]: df = pd.DataFrame({'foo':list('ABC')}, index=[0,2,1])
In [5]: df['bar'] = 100
In [6]: df['bar'].iloc[0] = 99
/opt/local/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/pandas-0.16.0_19_g8d2818e-py2.7-macosx-10.9-x86_64.egg/pandas/core/indexing.py:118: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame

See the the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  self._setitem_with_indexer(indexer, value)

另一种同时使用setting和getting的方法是:

In [7]: df.loc[df.index[0], 'foo']
Out[7]: 'A'
In [8]: df.loc[df.index[0], 'bar'] = 99
In [9]: df
Out[9]:
  foo  bar
0   A   99
2   B  100
1   C  100

要选择第i行，使用iloc:

In [31]: df_test.iloc[0]
Out[31]: 
ATime     1.2
X         2.0
Y        15.0
Z         2.0
Btime     1.2
C        12.0
D        25.0
E        12.0
Name: 0, dtype: float64

要在Btime列中选择第i个值，您可以使用:

In [30]: df_test['Btime'].iloc[0]
Out[30]: 1.2

---

df_test['Btime']之间有区别。iloc[0](推荐)和df_test.iloc[0]['Btime']:

DataFrames store data in column-based blocks (where each block has a single dtype). If you select by column first, a view can be returned (which is quicker than returning a copy) and the original dtype is preserved. In contrast, if you select by row first, and if the DataFrame has columns of different dtypes, then Pandas copies the data into a new Series of object dtype. So selecting columns is a bit faster than selecting rows. Thus, although df_test.iloc[0]['Btime'] works, df_test['Btime'].iloc[0] is a little bit more efficient.

当涉及到作业时，两者之间有很大的区别。 df_test [' Btime ']。iloc[0] = x影响df_test，但是df_test.iloc[0]['Btime'] 可能不会。请看下面的解释。因为细微的差别 索引的顺序在行为上有很大的不同，最好使用单索引赋值:

df.iloc[0, df.columns.get_loc('Btime')] = x

---

df。iloc[0, df.columns.get_loc('Btime')] = x(推荐):

为对象赋新值的推荐方法 DataFrame是为了避免链式索引，而是使用所示的方法 安德鲁,

df.loc[df.index[n], 'Btime'] = x

or

df.iloc[n, df.columns.get_loc('Btime')] = x

后一种方法稍微快一点，因为df。Loc必须将行标签和列标签转换为 位置索引，所以如果你使用 df。iloc代替。

---

df(“Btime”)。Iloc [0] = x工作，但不建议:

虽然这是可行的，但它利用了目前实现dataframe的方式。没有人保证熊猫将来一定要这样工作。特别地，它利用了(当前)df['Btime']总是返回a view(非副本)so df['Btime']。Iloc [n] = x可以用来赋一个新值 在df的Btime列的第n个位置。

由于Pandas没有明确保证索引器什么时候返回一个视图，什么时候返回一个副本，使用链式索引的赋值通常会引发一个SettingWithCopyWarning，即使在这种情况下赋值成功修改了df:

In [22]: df = pd.DataFrame({'foo':list('ABC')}, index=[0,2,1])
In [24]: df['bar'] = 100
In [25]: df['bar'].iloc[0] = 99
/home/unutbu/data/binky/bin/ipython:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  self._setitem_with_indexer(indexer, value)

In [26]: df
Out[26]: 
  foo  bar
0   A   99  <-- assignment succeeded
2   B  100
1   C  100

---

df。iloc[0]['Btime'] = x不正常:

相反，df赋值。Iloc [0]['bar'] = 123不工作，因为df。Iloc[0]返回一个副本:

In [66]: df.iloc[0]['bar'] = 123
/home/unutbu/data/binky/bin/ipython:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

In [67]: df
Out[67]: 
  foo  bar
0   A   99  <-- assignment failed
2   B  100
1   C  100

---

警告:我之前建议使用df_test。第九(我,“Btime”)。但这并不能保证给你第i个值，因为ix在尝试按位置索引之前会先尝试按标签索引。因此，如果DataFrame有一个整数索引，它不是按从0开始的顺序排序的，那么使用ix[i]将返回标记为i的行，而不是第i行。例如,

In [1]: df = pd.DataFrame({'foo':list('ABC')}, index=[0,2,1])

In [2]: df
Out[2]: 
  foo
0   A
2   B
1   C

In [4]: df.ix[1, 'foo']
Out[4]: 'C'

例如，要从“test”列和第一行中获取值，它的工作方式如下

df[['test']].values[0][0]

只有df[['test']]]。[0]返回一个数组

根据pandas文档，at是访问标量值(例如OP中的用例)的最快方法(Alex已经在本页上建议过了)。

根据Alex的回答，因为数据帧不一定有范围索引，所以索引df可能更完整。索引(因为dataframe索引是建立在numpy数组上的，所以可以像数组一样对它们进行索引)或在列上调用get_loc()来获得列的整数位置。

df.at[df.index[0], 'Btime']
df.iat[0, df.columns.get_loc('Btime')]

一个常见的问题是，如果你使用一个布尔掩码来获得一个值，但最终得到了一个带索引的值(实际上是一个Series);例如:

0    1.2
Name: Btime, dtype: float64

您可以使用squeeze()来获取标量值，即。

df.loc[df['Btime']<1.3, 'Btime'].squeeze()