平时处理数据集中，总是需要选中一些列的数据，去预测其他列的数据，所以data.iloc[]，在数据分析中显得尤为方便。

介绍一下data.iloc[]

data.iloc[] 是 Python 中 pandas 库的一个非常有用的功能，它允许你通过行和列的整数位置索引来选择数据。iloc 是 “integer location” 的缩写，意味着你可以通过指定行和列的整数索引来选择数据，而不是使用标签。

以下是一些使用 data.iloc[] 的基本示例：

1. 选择单个元素：
   使用 data.iloc[row_index, column_index] 来选择特定的元素。

   element = data.iloc[0, 1]  # 选择第1行第2列的元素
   

2. 选择一行：
   使用 data.iloc[i,:] 来选择第 i 行的所有列。

   row = data.iloc[2, :]  # 选择第3行的所有列
   

3. 选择一列：
   使用 data.iloc[:, j] 来选择第 j 列的所有行。

   column = data.iloc[:, 1]  # 选择第2列的所有行
   

4. 选择多个行和列：
   使用 data.iloc[i:m, j:n] 来选择从第 i 行到第 m 行，第 j 列到第 n 列的数据。

   sub_data = data.iloc[0:3, 1:4]  # 选择第1行到第3行，第2列到第4列的数据
   

5. 使用切片：
   iloc 也支持 Python 的切片语法，可以用于选择行或列的范围。

   sub_data_rows = data.iloc[0:5:2, :]  # 选择第1行到第5行，步长为2的行
   sub_data_cols = data.iloc[:, 1:5:2]  # 选择第2列到第5列，步长为2的列
   

6. 选择多个不连续的行或列：
   使用数组或列表来选择多个不连续的行或列。

   selected_rows = data.iloc[[0, 2, 4], :]  # 选择第1、3、5行的所有列
   selected_cols = data.iloc[:, [1, 3]]     # 选择第2、4列的所有行
   

请注意，在使用 iloc 时，索引是从0开始的，即第一行或第一列的索引是0。此外，iloc 只能用于选择行和列，不能用于选择 DataFrame 中的标签（即列名或索引）。如果你需要基于标签选择数据，应该使用 loc 而不是 iloc。

在数据分析代码中的应用

这是在一个数据分析代码中的一部分，这里就用了iloc[]选取前两列作为特征数据，第三列作为目标变量（也就是通过前两列的值预测最后一列的数据）。

# 1. 数据加载
data = pd.read_csv('data.csv')
X = data.iloc[:, :2]  # 取前两列作为特征
y = data.iloc[:, 2]  # 取第三列作为目标变量# 2. 数据预处理
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)