pandas中DataFrame多層索引的實現(xiàn)
1、創(chuàng)建
相較于一層索引，在創(chuàng)建多層索引時給字段添加關系，其創(chuàng)建方法包括運用元組、數(shù)組、笛卡爾積，在普通DataFrame中創(chuàng)立。
1.1方式一使用pd.MultiIndex.from_tuples創(chuàng)建索引
tuples為元組 含義就是使用pandas中用元組建立多層索引
import pandas as pd
import numpy as np
#這里創(chuàng)建的兩層索引，姓名、考試
index_lables=[('張三','期中'),('張三','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（數(shù)組）
index_labels = [['張三','張三','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（笛卡爾積）
index_lables=pd.MultiIndex.from_product([['張三','李四','王五','趙六'],
['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=['張三','李四'],
columns=pd.MultiIndex.from_product([['python','math'],['期中','期末']]))笛卡爾積使用的不同其創(chuàng)建的dataframe也不同
df1
df
1.4方式四在已有的DataFrame基礎上創(chuàng)建
使用set_index方法進行創(chuàng)建
參數(shù)：
keys,要設置為索引的列名（如有多個應放在一個列表里）
drop: bool = True,將設置為索引的列刪除，默認為True
append: bool = False,是否將新的索引追加到原索引后（即是否保留原索引），默認為False
inplace: bool = False, 是否在原DataFrame上修改，默認為False
verify_integrity: bool = False,是否檢查索引有無重復，默認為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、篩選數(shù)據(jù)
多層索引的DataFrame的index（每一行的下標）為元組
print(df.index)
在篩選數(shù)據(jù)時，與普通的DataFrame一致，可以通過標簽、位置、字段名、切片進行篩選
根據(jù)標簽索引
print(df.loc[[2020,2021]]) print(df.loc[(2020,1)])#與df.loc[2020].loc[1]一致 print(df.loc[[(2020,1),(2020,2)]]) print(df.loc[(2020,1):(2021,2)])
根據(jù)位置索引
print(df.iloc[[0,1]]) print(df.iloc[0:4,[0]])#如果‘，'的0不加[]，則該列為series
3、分層計算
之前DataFrame的統(tǒng)計函數(shù)有l(wèi)evel參數(shù)，能夠給多層索引DataFrame運用，但已被舍棄，現(xiàn)在想要運算需要使用：DataFrame.groupby(level=層數(shù)).函數(shù)名()
我們以例子進行說明：（這個輸出的DataFrame有點丑，別介意）
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'],['平時成績','考試成績']]),
columns=['math','python','english']
)
print(df)
我們先來看層級，最左邊的標簽為字母，然后是“期中/期末”，最后是成績類別，所以對應的層數(shù)為0，1，2。弄清楚之后，我們使用代碼看看運算結果。
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時，根據(jù)每個同學的其他4項計算各科平均分，level=1時，計算期中期末的平均分。
到此這篇關于pandas中DataFrame多層索引的實現(xiàn) 的文章就介紹到這了,更多相關pandas DataFrame多層索引內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
從基礎到進階詳解Python字符串統(tǒng)計的實用指南
字符串處理是編程中最基礎也最常見的任務之一,本文將用通俗易懂的方式,帶你全面了解如何用Python實現(xiàn)字符串統(tǒng)計,涵蓋從最基礎的計數(shù)到高級的文本分析技巧,感興趣的小伙伴可以了解下2025-11-11
這篇文章主要分享的是Python日志模塊logging的使用方法總結，ogging模塊默認級別是WARNING，意味著只會追蹤該級別以上的事件，除非更改日志配置，想了解更多相關資料的小伙伴可以參考下面文章內(nèi)容2022-05-05
這篇文章主要介紹了python super用法及原理詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-01-01
Python使用統(tǒng)計函數(shù)繪制簡單圖形實例代碼
這篇文章主要給大家介紹了關于Python使用統(tǒng)計函數(shù)繪制簡單圖形的相關資料，文中通過示例代碼介紹的非常詳細，對大家學習或者使用Python具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-05-05
這篇文章主要為大家介紹了Python sys模塊中maxsize()方法教程示例,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2023-09-09
遺傳算法（GA）是最早由美國Holland教授提出的一種基于自然界的“適者生存，優(yōu)勝劣汰”基本法則的智能搜索算法。本文主要介紹了如何通過Python實現(xiàn)遺傳算法，感興趣的同學可以看一看2021-11-11
詳解Python之數(shù)據(jù)序列化（json、pickle、shelve）
本篇文章主要介紹了Python之數(shù)據(jù)序列化，本節(jié)要介紹的就是Python內(nèi)置的幾個用于進行數(shù)據(jù)序列化的模塊，有興趣的可以了解一下。2017-03-03
淺談python socket函數(shù)中,send與sendall的區(qū)別與使用方法
下面小編就為大家?guī)硪黄獪\談python socket函數(shù)中,send與sendall的區(qū)別與使用方法。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-05-05
今天小編就為大家分享一篇Python輸出\u編碼將其轉換成中文的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
如何使用python生成大量數(shù)據(jù)寫入es數(shù)據(jù)庫并查詢操作
這篇文章主要介紹了如何使用python生成大量數(shù)據(jù)寫入es數(shù)據(jù)庫并查詢操作，文章圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-09-09