pandas中DataFrame多层索引的实现
1、创建
相较于一层索引，在创建多层索引时给字段添加关系，其创建方法包括运用元组、数组、笛卡尔积，在普通DataFrame中创立。
1.1方式一使用pd.MultiIndex.from_tuples创建索引
tuples为元组 含义就是使用pandas中用元组建立多层索引
import pandas as pd
import numpy as np
#这里创建的两层索引，姓名、考试
index_lables=[('张三','期中'),('张三','期末'),('李四','期中'),('李四','期末')]
mult_index = pd.MultiIndex.from_tuples(index_lables,names=('name','exam'))
data = {
'python':[98,149,130,147],
'math':[95,78,143,104]
}
df=pd.DataFrame(data,index=mult_index)1.2方式二：使用pd.MultiIndex.from_arrays（数组）
index_labels = [['张三','张三','李四','李四'],['期中','期末','期中','期末']]
mult_index=pd.MultiIndex.from_arrays(index_labels,names=('name','exam'))
df=pd.DataFrame(data,index=mult_index)
1.3方式三：使用pd.MultiIndex.from_product（笛卡尔积）
index_lables=pd.MultiIndex.from_product([['张三','李四','王五','赵六'],
['期中','期末']],
names=['name','exam'])
df=pd.DataFrame(np.random.randint(80,150, size=(8,2)),
index=index_lables,
columns=['python','math']
)
df1=pd.DataFrame(np.random.randint(80,150,size=(2,4)),
index=['张三','李四'],
columns=pd.MultiIndex.from_product([['python','math'],['期中','期末']]))笛卡尔积使用的不同其创建的dataframe也不同
df1
df
1.4方式四在已有的DataFrame基础上创建
使用set_index方法进行创建
参数：
keys,要设置为索引的列名（如有多个应放在一个列表里）
drop: bool = True,将设置为索引的列删除，默认为True
append: bool = False,是否将新的索引追加到原索引后（即是否保留原索引），默认为False
inplace: bool = False, 是否在原DataFrame上修改，默认为False
verify_integrity: bool = False,是否检查索引有无重复，默认为False
示例：
import pandas as pd
import numpy as np
data={
'year':[2020,2020,2021,2021,2022,2022],
'quarter':[1,2,1,2,1,2],
'sales':[100,150,120,130,140,180],
'profit':[50,80,80,100,30,80]
}
df=pd.DataFrame(data)
print(df)
df.set_index(['year','quarter'],inplace=True)
print(df)
2、筛选数据
多层索引的DataFrame的index（每一行的下标）为元组
print(df.index)
在筛选数据时，与普通的DataFrame一致，可以通过标签、位置、字段名、切片进行筛选
根据标签索引
print(df.loc[[2020,2021]]) print(df.loc[(2020,1)])#与df.loc[2020].loc[1]一致 print(df.loc[[(2020,1),(2020,2)]]) print(df.loc[(2020,1):(2021,2)])
根据位置索引
print(df.iloc[[0,1]]) print(df.iloc[0:4,[0]])#如果‘，'的0不加[]，则该列为series
3、分层计算
之前DataFrame的统计函数有level参数，能够给多层索引DataFrame运用，但已被舍弃，现在想要运算需要使用：DataFrame.groupby(level=层数).函数名()
我们以例子进行说明：（这个输出的DataFrame有点丑，别介意）
import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.randint(0,151,size=(40,3)),
index=pd.MultiIndex.from_product([ list('ABCDEFGHIJ'),['期中','期末'],['平时成绩','考试成绩']]),
columns=['math','python','english']
)
print(df)
我们先来看层级，最左边的标签为字母，然后是“期中/期末”，最后是成绩类别，所以对应的层数为0，1，2。弄清楚之后，我们使用代码看看运算结果。
print(df.groupby(level=0).mean()) print(df.groupby(level=1).mean()) print(df.groupby(level=2).mean())
level=1
level=2|level=3
可以看出，level=0时，根据每个同学的其他4项计算各科平均分，level=1时，计算期中期末的平均分。
到此这篇关于pandas中DataFrame多层索引的实现 的文章就介绍到这了,更多相关pandas DataFrame多层索引内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
查询和分析数据是pandas的重要功能，也是我们学习pandas的基础，下面这篇文章主要给大家介绍了关于Python数据分析之如何利用pandas查询数据的相关资料，文中通过示例代码介绍的非常详细，需要的朋友可以参考借鉴，下面来一起看看吧。2017-09-09
这篇文章主要介绍了python的ArgumentParser使用及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-08-08
对于机器学习多分类模型来说，其评价指标除了精度之外，常用的还有混淆矩阵和分类报告，下面来展示一下如何绘制混淆矩阵，这在论文中经常会用到。感兴趣的可以了解一下2021-05-05
解决Atom安装Hydrogen无法运行python3的问题
今天小编就为大家分享一篇解决Atom安装Hydrogen无法运行python3的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-08-08
有许许多多文章写了 Python 中的许多很酷的特性，例如变量解包、偏函数、枚举可迭代对象，但是关于 Python 还有很多要讨论的话题，因此在本文中，我将尝试展示一些我知道的和在使用的，但很少在其它文章提到过的特性。那就开始吧2020-01-01
今天小编就为大家分享一篇使用python绘制二维图形示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-11-11
Python的collections模块中的OrderedDict有序字典
字典是无序的,但是collections的OrderedDict类为我们提供了一个有序的字典结构,名副其实的Ordered+Dict,下面通过两个例子来简单了解下Python的collections模块中的OrderedDict有序字典:2016-07-07
这篇文章主要介绍了解决jupyter加载文件失败的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2021-03-03
本文主要介绍了Python使用5行代码批量做小姐姐的素描图，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2021-07-07
list 是 Python 中的一种内置数据类型，代表一个可变的有序序列。list 类型的对象可以使用多个方法来操作和修改其中的元素。文中通过代码示例详细介绍了list的常用方法，感兴趣的同学可以参考阅读2023-04-04
最新评论