1 简介
对于 Series 而言，您可以把它当做一维数组进行遍历操作；而像 DataFrame 这种二维数据表结构，则类似于遍历 Python 字典。
示例：对于 Series 循环
s = pd.Series(data=np.arange(5),index=['rank'+str(i) for i in np.arange(1,6)])
print(s)
print("-"*10)
for ele in s:
print(ele)
输出结果：
rank1 0 rank2 1 rank3 2 rank4 3 rank5 4 dtype: int32 ---------- 0 1 2 3 4
示例：对于 DataFrame 循环
df = pd.DataFrame({
'col1':np.arange(4),
'col2':np.arange(4,8),
'col3':np.arange(8,12),
},index=['row'+str(i) for i in np.arange(1,5)])
print("原始数据为：\n",df)
print("遍历：")
for col in df:
print(col)
输出结果：输出的是 DataFrame 的列名。
原始数据为：
col1 col2 col3
row1 0 4 8
row2 1 5 9
row3 2 6 10
row4 3 7 11
遍历：
col1
col2
col3
2 内置迭代方法
如果想要遍历 DataFrame 的每一行，我们下列函数：
- items()：以键值对 (key,value) 的形式遍历；
- iteritems()：以键值对 (key,value) 的形式遍历；
- iterrows()：以 (row_index,row) 的形式遍历行;
- itertuples()：使用已命名元组的方式对行遍历。
下面对上述函数做简单的介绍：
2.1 items()函数
示例：
for label ,content in df.items():
print(label)
print(content)
输出结果：
col1 row1 0 row2 1 row3 2 row4 3 Name: col1, dtype: int32 col2 row1 4 row2 5 row3 6 row4 7 Name: col2, dtype: int32 col3 row1 8 row2 9 row3 10 row4 11 Name: col3, dtype: int32
2.2 iteritems()函数
示例：
for key,item in df.iteritems():
print(key)
print(item)
输出结果：
col1 row1 0 row2 1 row3 2 row4 3 Name: col1, dtype: int32 col2 row1 4 row2 5 row3 6 row4 7 Name: col2, dtype: int32 col3 row1 8 row2 9 row3 10 row4 11 Name: col3, dtype: int32
2.3 iterrows()
该方法按行遍历，返回一个迭代器，以行索引标签为键，以每一行数据为值。
示例如下：
print("原始数据：\n",df)
print("通过行遍历：")
for row_index,row in df.iterrows():
print (row_index)
print(row)
输出结果：
原始数据：
col1 col2 col3
row1 0 4 8
row2 1 5 9
row3 2 6 10
row4 3 7 11
通过行遍历：
row1
col1 0
col2 4
col3 8
Name: row1, dtype: int32
row2
col1 1
col2 5
col3 9
Name: row2, dtype: int32
row3
col1 2
col2 6
col3 10
Name: row3, dtype: int32
row4
col1 3
col2 7
col3 11
Name: row4, dtype: int32
注意：iterrows() 遍历行，其中 row1,row2,row3,row4 是行索引而 col1,col2,col3 是列索引。
2.4 itertuples()函数
itertuples() 同样将返回一个迭代器，该方法会把 DataFrame 的每一行生成一个元组。
示例如下：
print("原始数据：\n",df)
print("通过行遍历1：")
for row in df.itertuples():
print(row)
print("通过行遍历2：")
for row in df.itertuples():
for rowdata in row:
print(rowdata,end='\t')
print()
输出结果：
原始数据：
col1 col2 col3
row1 0 4 8
row2 1 5 9
row3 2 6 10
row4 3 7 11
通过行遍历1：
Pandas(Index='row1', col1=0, col2=4, col3=8)
Pandas(Index='row2', col1=1, col2=5, col3=9)
Pandas(Index='row3', col1=2, col2=6, col3=10)
Pandas(Index='row4', col1=3, col2=7, col3=11)
通过行遍历2：
row1 0 4 8
row2 1 5 9
row3 2 6 10
row4 3 7 11
2.5 迭代修改原始值
如果在迭代过程中修改元素值，会影响原对象，这一点需要大家注意。
看一组简单的示例：
print("原始数据：\n",df)
print("通过行遍历：")
for row_index,row in df.iterrows():
print (row_index)
print(row)
print('修改1：')
for row_index,row in df.iterrows():
row['col4']='100'
print(df)
print('修改2：')
for row_index,row in df.iterrows():
row['col1']='100'
print(df)
输出结果：
原始数据：
col1 col2 col3
row1 0 4 8
row2 1 5 9
row3 2 6 10
row4 3 7 11
通过行遍历：
row1
col1 0
col2 4
col3 8
Name: row1, dtype: int32
row2
col1 1
col2 5
col3 9
Name: row2, dtype: int32
row3
col1 2
col2 6
col3 10
Name: row3, dtype: int32
row4
col1 3
col2 7
col3 11
Name: row4, dtype: int32
修改1：
col1 col2 col3
row1 0 4 8
row2 1 5 9
row3 2 6 10
row4 3 7 11
修改2：
col1 col2 col3
row1 100 4 8
row2 100 5 9
row3 100 6 10
row4 100 7 11