快捷導(dǎo)航

Pandas中Series和DataFrame的索引實現(xiàn)

更新時間：2019年06月27日 14:29:52 作者：小舔哥

這篇文章主要介紹了Pandas中Series和DataFrame的索引實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

正文

在對Series對象和DataFrame對象進(jìn)行索引的時候要明確這么一個概念：是使用下標(biāo)進(jìn)行索引，還是使用關(guān)鍵字進(jìn)行索引。比如list進(jìn)行索引的時候使用的是下標(biāo)，而dict索引的時候使用的是關(guān)鍵字。

使用下標(biāo)索引的時候下標(biāo)總是從0開始的，而且索引值總是數(shù)字。而使用關(guān)鍵字進(jìn)行索引，關(guān)鍵字是key里面的值，既可以是數(shù)字，也可以是字符串等。

Series對象介紹：

Series對象是由索引index和值values組成的，一個index對應(yīng)一個value。其中index是pandas中的Index對象。values是numpy中的數(shù)組對象。

import pandas as pd
s1 = pd.Series([2,3,4,5], index=['a', 'b', 'c', 'd'])
print(s1)
結(jié)果：
a  2
b  3
c  4
d  5
dtype: int64

print(s1.index)
結(jié)果：
Index(['a', 'b', 'c', 'd'], dtype='object')

print(s1.values)
結(jié)果：
[2 3 4 5]

如何對Series對象進(jìn)行索引？

1：使用index中的值進(jìn)行索引

print(s1['a'])
結(jié)果：
2

print(s1[['a','d']])
結(jié)果：
a  2
d  5
dtype: int64


print(s1['b':'d'])
結(jié)果（注意，切片索引保存最后一個值）：
b  3
c  4
d  5
dtype: int64

2：使用下標(biāo)進(jìn)行索引

print(s1[0])
結(jié)果：
2

print(s1[[0,3]])
結(jié)果：
a  2
d  5
dtype: int64

print(s1[1:3])
結(jié)果（注意：這里和上面不同的是不保存最后一個值，與正常索引相同）：
b  3
c  4
dtype: int64

3：特殊情況：

上面的index為字符串，假如index為數(shù)字，這個時候進(jìn)行索引是按照index值進(jìn)行還是按照下標(biāo)進(jìn)行？

s1 = pd.Series([2,3,4,5], index=[1,2,3,4])
print(s1[2])
結(jié)果：
3
print(s1[0]) 會報錯

print(s1[[2,4]])
結(jié)果：
2  3
4  5
dtype: int64

print(s1[1:3])
結(jié)果：
2  3
3  4
dtype: int64

可以看出來，當(dāng)index為整數(shù)的時候，那么前兩種選擇是使用index的值進(jìn)行索引，而后一種切片選擇使用的是下標(biāo)進(jìn)行索引。

4:使用布爾Series進(jìn)行索引

使用布爾Series進(jìn)行索引的時候，其實是要求布爾Series和我們的索引對象有相同的index。

s1 = pd.Series([2,3,4,5], index=['a', 'b', 'c', 'd']
print(s1 > 3)
結(jié)果（這是一個bool Series）：
a  False
b  False
c   True
d   True
dtype: bool

print(s1[s1 > 3])
結(jié)果（只需要把bool Series 傳入Series就可以實現(xiàn)索引）：
c  4
d  5
dtype: int64

5：使用Index對象來進(jìn)行索引

使用Index對象進(jìn)行索引的時候，和使用值索引沒有本質(zhì)的區(qū)別。因為Index里面也存入了很多值，可以把Index看做一個list。

DataFrame對象介紹：

DataFrame對象是一個由行列組成的表。DataFrame中行由columns組成，列由index組成，它們都是Index對象。它的值還是numpy數(shù)組。

data = {'name':['ming', 'hong', 'gang', 'tian'], 'age':[12, 13, 14, 20], 'score':[80.3, 88.2, 90, 99.9]}
df1 = pd.DataFrame(data)

print(df1.index)
結(jié)果：
RangeIndex(start=0, stop=4, step=1)

print(df1.columns)
結(jié)果：
Index(['age', 'name', 'score'], dtype='object')

print(df1.values)
結(jié)果：
[[12 'ming' 80.3]
 [13 'hong' 88.2]
 [14 'gang' 90.0]
 [20 'tian' 99.9]]

如何對DataFrame對象進(jìn)行索引

1：使用columns的值對列進(jìn)行索引

直接使用columns中的值進(jìn)行索引，得到的是一列或者是多列的值

print(df1['name'])
結(jié)果：
0  ming
1  hong
2  gang
3  tian
Name: name, dtype: object

print(df1[['name','age']])
結(jié)果：
name age
0 ming  12
1 hong  13
2 gang  14
3 tian  20
注意：不可以直接使用下標(biāo)對列進(jìn)行索引，除非該columns當(dāng)中包含該值。如下面的操作是錯誤的
print(df1[0])
結(jié)果： 錯誤

2：切片或者布爾Series對行進(jìn)行索引

使用切片索引，或者布爾類型Series進(jìn)行索引：

print(df1[0:3])
使用切片進(jìn)行選擇，結(jié)果：
age name score
0  12 ming  80.3
1  13 hong  88.2
2  14 gang  90.0

print(df1[ df1['age'] > 13 ])
使用布爾類型Series進(jìn)行索引，其實還是要求布爾Series和DataFrame有相同的index，結(jié)果：
age name score
2  14 gang  90.0
3  20 tian  99.9

3：使用loc和iloc進(jìn)行索引

本質(zhì)上loc是用index和columns當(dāng)中的值進(jìn)行索引，而iloc是不理會index和columns當(dāng)中的值的，永遠(yuǎn)都是用從0開始的下標(biāo)進(jìn)行索引。所以當(dāng)你搞懂這句話的時候，下面的索引就會變得非常簡單：

print(df1.loc[3])
結(jié)果：
name   hong
score  88.2
Name: 3, dtype: object

print(df1.loc[:,'age'])
結(jié)果：
1  12
3  13
4  14
5  20
Name: age, dtype: int64

print(df1.iloc[3])
結(jié)果：
age    20
name   tian
score  99.9
Name: 5, dtype: object

print(df1.iloc[:,1])
結(jié)果：
1  ming
3  hong
4  gang
5  tian
Name: name, dtype: object

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: