主要特点：

• 混合索引：支持标签和整数位置混合使用
• 灵活性：可同时处理行和列选择
• 切片支持：支持Python的标准切片操作
• 布尔索引：支持布尔数组进行数据筛选

示例1：创建DataFrame

import pandas as pd
import numpy as np

# 创建示例DataFrame
data = {
    '姓名': ['张三', '李四', '王五', '赵六', '钱七'],
    '年龄': [25, 32, 28, 35, 29],
    '城市': ['北京', '上海', '广州', '深圳', '杭州'],
    '薪资': [15000, 22000, 18000, 25000, 20000]
}

df = pd.DataFrame(data)
df.index = ['A', 'B', 'C', 'D', 'E']  # 设置自定义索引
print(df)

示例2：使用ix选择数据

# 选择单个行（通过标签）
row_B = df.ix['B']  # 选择索引为'B'的行

# 选择单个行（通过整数位置）
row_1 = df.ix[1]    # 选择第二行（索引从0开始）

# 选择行范围
rows_B_to_D = df.ix['B':'D']  # 选择B到D行

# 混合选择
mixed_selection = df.ix[1:3, '姓名':'城市']  # 选择第2-4行，姓名到城市列

弃用时间线

• Pandas 0.20.0 (2017年5月)：开始弃用.ix索引器
• Pandas 1.0.0 (2020年1月)：完全移除.ix索引器
• 当前版本：建议使用.loc和.iloc替代

对比示例：ix vs loc/iloc

# 使用ix（已弃用）
df.ix[1:3, '姓名':'城市']

# 使用loc替代（推荐）
df.loc[df.index[1:3], '姓名':'城市']

# 使用iloc替代（推荐）
df.iloc[1:3, df.columns.get_indexer(['姓名','年龄','城市'])]

迁移步骤

1. 分析索引类型：确定原代码使用的是标签索引还是位置索引
2. 选择替代索引器：
   • 纯标签索引 → 使用.loc
   • 纯位置索引 → 使用.iloc
   • 混合索引 → 拆分为单独的.loc和.iloc操作
3. 处理特殊情况：对于包含整数的索引标签，使用.loc替代

迁移示例

# 情况1：纯标签索引
# 原代码
df.ix['B':'D', ['姓名', '城市']]
# 迁移后
df.loc['B':'D', ['姓名', '城市']]

# 情况2：纯位置索引
# 原代码
df.ix[1:3, 0:2]
# 迁移后
df.iloc[1:3, 0:2]

# 情况3：混合索引
# 原代码
df.ix[1:3, '姓名':'城市']
# 迁移后
df.iloc[1:3].loc[:, '姓名':'城市']

关键要点

• .ix曾是Pandas中强大的混合索引器，但已被弃用
• 弃用主要原因是歧义性、性能问题和可读性差
• 使用.loc进行明确的标签索引操作
• 使用.iloc进行明确的位置索引操作
• 迁移旧代码时，明确区分索引类型

最佳实践

1. 始终使用显式索引（.loc或.iloc）
2. 避免使用混合索引类型
3. 在索引中使用明确的数据类型（例如，避免混合整数和字符串索引）
4. 使用df.columns.get_indexer()获取列位置索引
5. 定期更新Pandas版本并处理弃用警告

虽然.ix已退出历史舞台，但掌握其替代方案将使你的Pandas代码更加健壮、高效和可维护！