Pandas笔记3----------Pandas层次化索引

于 2025-06-12 16:37:42 发布
阅读量364 收藏 3
点赞数 3
CC 4.0 BY-SA版权
分类专栏： Pandas笔记 文章标签： pandas 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/infinite_shadow/article/details/148609640

1.创建层次化索引

  • 隐式构造

        (1)最常用的方法是给DataFrame构造函数的index参数传递两个或者更多的数组

import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = [
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
]
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)

        (2)Series创建多层索引

import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=6)
index = [
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
]
s = pd.Series(data=data,index=index)
print(s)
  • 显示构造pd.MultiIndex

        (1)使用数组

import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_arrays([
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
])
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)

        (2)使用tuple

import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_tuples(
    (
        ('一班','学生1'),('一班','学生2'),('一班','学生3'),
        ('二班','学生4'),('二班','学生5'),('二班','学生6'),
    )
)
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)

        （3）使用product----笛卡尔积

                A=\left \{ a ,b\right \}       B=\left \{ 0,1,2 \right \}

                A\times B=\left \{ (a,0),(a,1),(a,2),(b,0),(b,1),(b,2) \right \} 

import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_product([
    ['一班','二班'],
    ['学生1','学生2','学生3']       
])
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)

2.多层索引中Series的索引与切片操作(可以使用loc和iloc)

  • 索引
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=6)
index = [
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
]
s = pd.Series(data=data,index=index)
print(s)
print('###########################')
#显示索引
print(s['一班'])
print(s['一班']['学生3'])
print('###########################')
#隐式索引
print(s[0])
print(s.iloc[[1,2]])
  • 切片
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=6)
index = [
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
]
s = pd.Series(data=data,index=index)
print(s)
print('###########################')
#显示索引
print(s['一班':'二班'])
print('###########################')
#隐式索引
print(s[1:5])

3.多层索引中DataFrame的索引与切片操作(可以使用loc和iloc)

  • 索引
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = [
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
]
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)
print('#################################')

#获取列索引
print(df['期中']['数学'])
print(df.iloc[:,[0,2,1]])
print('#################################')
#获取行索引
print(df.loc['二班'])
print(df.loc['二班','学生6'])
print(df.iloc[[1,3,4,2]])
print('#################################')
#获取元素
print(df['期中']['数学']['一班']['学生1'])
print(df.iloc[0,1])
  • 切片
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = [
    ['一班','一班','一班','二班','二班','二班'],
    ['学生1','学生2','学生3','学生4','学生5','学生6']
]
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)
print('#################################')
#行切片
print(df.iloc[1:5])
print('#################################')
print(df.loc[('一班','学生2'):('二班','学生5')])
print('#################################')
#列切片
print(df.iloc[:,1:5])
print('#################################')
print(df.loc[:,'期中':'期末'])

⚠️注意：建议切片操作使隐式索引，即使用数字下标。

4.索引的堆叠

  • df.stack(level=-1):将列索引变成行索引，level用于选择变哪一层的列索引，默认-1(最里层)，最外层的索引值为0,变化过后的列索引将会插入行索引的最里层
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_product([
    ['一班','二班'],
    ['学生1','学生2','学生3']       
])
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)
print("#############################")
print(df.stack())
print("#############################")
print(df.stack(level=-1))
print("#############################")
print(df.stack(level=0))
  • df.unstack(level=-1):将行索引变成列索引，level用于选择变哪一层的行索引，默认-1(最里层)，最外层的索引值为0，变化过后的行索引将会插入列索引的最里层
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_product([
    ['一班','二班'],
    ['学生1','学生2','学生3']       
])
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
df2 = df.stack(level=0)
print(df2)
print("#############################")
print(df2.unstack())
print("#############################")
print(df2.unstack(-1))
print("#############################")
print(df2.unstack(1))
  • 用fill_value填充NaN
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_tuples(
    (
        ('一班','学生1'),('一班','学生2'),('一班','学生3'),
        ('二班','学生4'),('二班','学生5'),('二班','学生6'),
    )
)
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)
print('##################################')
print(df.unstack())
print('##################################')
print(df.unstack(fill_value=0))

5.聚合操作

  • DataFrame聚合函数：求和、平均值、最大值、最小值.......
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_tuples(
    (
        ('一班','学生1'),('一班','学生2'),('一班','学生3'),
        ('二班','学生4'),('二班','学生5'),('二班','学生6'),
    )
)
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
df2 = df.loc['一班','期中']
print(df2)
print('######################################')
print('所有数的和:',df2.values.sum())
print('######################################')
print('sum:\n',df2.sum()) #axis默认为0，求每一列中多行的和
print('######################################')
print('sum:\n',df2.sum(axis=1)) #求每一行中多列的和
  • 多层索引聚合操作
import numpy as np
import pandas as pd
data = np.random.randint(0,100,size=(6,6))
index = pd.MultiIndex.from_tuples(
    (
        ('一班','学生1'),('一班','学生2'),('一班','学生3'),
        ('二班','学生4'),('二班','学生5'),('二班','学生6'),
    )
)
columns = [
    ['期中','期中','期中','期末','期末','期末'],
    ['语文','数学','英语','语文','数学','英语']
]
df = pd.DataFrame(data,index=index,columns=columns)
print(df)
print('######################################')
print('sum:\n',df.sum()) #axis默认为0，求每一列中多行的和
print('######################################')
print('sum:\n',df.sum(axis=1)) #求每一行中多列的和
print('######################################')
print('sum:\n',df.sum(axis=0,level=0)) #计算行中第1层的和

知识点为听课总结笔记，课程为B站“千锋教育Pandas数据分析从入门到实战，零基础小白保姆级Python数据分析教程”：001_Pandas_Pandas介绍_哔哩哔哩_bilibili

使用 Pandas 构建多层行索引
BUG？不存在的！
05-27 499
从概念上讲，多层次（或者称为多级）索引可以认为是在一个轴上拥有多个索引级别。可以看出，我们已经成功地使用多层行索引来处理数据了。在这个例子中，我们通过将 ‘key1’ 和 ‘key2’ 列作为分组依据来创建了多层级别的行索引，并对 ‘value’ 列进行了求和操作。可以看出，set_index 函数将 ‘key1’ 和 ‘key2’ 列分别作为多层次索引的第一级和第二级，并将 ‘value’ 列作为数据列的值。到此，我们已经学习了如何使用 Pandas 构建多层行索引。使用 Pandas 构建多层行索引。
【DeepSeek R1构建本地RAG知识库】数据结构化清洗-python工具清洗
最新发布
少说，多做
05-21 324
在构建本地 RAG（Retrieval-Augmented Generation）系统时，数据结构化清洗是确保系统高效运行的关键步骤。原始数据往往存在格式混乱、噪声多等问题，直接输入向量数据库会导致检索效率低下，甚至影响大模型的生成质量。通过数据结构化，可以提升检索准确率、增强生成准确性、支持多维度查询、提高索引与检索效率，并便于后期维护与扩展。具体方法包括分类与打标签、实体抽取与关系建模、层次化结构组织等。本文还通过 Python 工具演示了如何将 Excel 格式的肿瘤问答数据转化为 TXT 结构化数据
pandas层次化索引
Chaser_lim1024
03-13 572
1.创建多层索引 1) 隐式构造 最常见的方法是给DataFrame构造函数的index参数传递两个或更多的数组 Series也可以创建多层索引 ndex = [[‘一班’,‘一班’,‘一班’,‘二班’,‘二班’,‘二班’,],[‘张三’,‘李四’,‘王五’,‘赵六’,‘田七’,‘孙八’]] data = np.random.randint(80,150,size=(6,)) s = pd.Series(data=data,index=index) s index = [['一班','一班','一班
深入了解 Pandas 中的层次化索引（Hierarchical Indexing）
hzdt_1的博客
02-29 1328
注意在对行索引的时候，若一级行索引还有多个，对二级行索引会遇到问题！也就是说，无法直接对二级索引进行索引，必须让二级索引变成一级索引后才能对其进行索引！
Pandas多级/分层索引
Java/Python大数据随笔
09-12 1185
取指定索引的所有列的值。取指定索引指定列的值。
python--pandas笔记整理
m0_52484011的博客
01-24 1526
python--pandas笔记整理
python的pandas库无法调用_NLP学习笔记09---python的pandas库和matplotlib库使用
weixin_39867066的博客
02-10 772
1.Pandas介绍pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一2.Series类型(1)series类型说明series就是一种类似于一...
Pandas学习-Task04
Lyndsey的博客
12-25 522
Datawhale开源内容：https://datawhalechina.github.io/joyful-pandas/build/html/%E7%9B%AE%E5%BD%95/ch4.html#id2 我只能说有这么好的教程，并且可以跟着大佬一起学习的感觉真的太好了！！！群里解答疑惑真的很棒！！！ 【写在前面】： 本次的笔记排版我借鉴了一下优秀笔记的排版????，显得更有层次更清晰了????。但是我的内容还是没有像优秀笔记们把所有知识点都列出来（他们真的很棒????），对于我的第一遍学习来说，我希望自
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn
2201_76026029的博客
09-09 1508
本学习笔记 仅为以防自己忘记了，顺便分享给一起学习的网友们参考。如有不同意见/建议，可以友好讨论。本学习笔记 所有的代码和数据都可以从陈强老师的个人主页上下载陈强.机器学习及Python应用. 北京：高等教育出版社, 2021.数学原理等 详见陈强老师的PPT参考了：网友阡之尘埃的Python机器学习12——神经网络activation用于定义神经网络每个隐藏层中的激活函数。激活函数的作用是在神经元的输出上应用一个非线性变换，这是神经网络能够学习和执行更复杂任务的关键。identity。
在Pandas中给多层索引降级的方法
09-19
今天小编就为大家分享一篇在Pandas中给多层索引降级的方法，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
在pandas多重索引multiIndex中选定指定索引的行方法
09-19
今天小编就为大家分享一篇在pandas多重索引multiIndex中选定指定索引的行方法，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
Pandas 创建层次化索引
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
05-25 589
笛卡尔积：{a,b}{c,d} ==> {a,c},{a,d},{b,c},{b,d}最常见的方法是给DataFrame构造函数的index参数传递两个或更多的数组。除了行索引index，列索引columns也能用同样的方法创建多层索引。Series也可以创建多层索引。1班 张三 7。2班 鲁班 88。
Pandas使用教程 - 多级索引 (MultiIndex)
qq_42568323的博客
02-17 2210
Pandas 的 MultiIndex（多级索引）是 Pandas 中一种强大的数据结构，允许在 DataFrame 或 Series 的索引上使用多个级别。它可以将数据按照多个维度分层组织，从而方便对复杂数据进行切片、聚合和重塑操作。fK1×K2×⋯×Kn→VfK1​×K2​×⋯×Kn​→V其中，KiK_iKi​表示第iii级索引的取值集合，而VVV表示存储的数据值。
Pandas系列学习教程——15 pandas分层索引MultiIndex
lzylzy66的博客
03-13 999
随着人工智能的不断发展，数据分析这门技术也越来越重要，很多人都开启了学习数据分析，本文就介绍了pandas学习的基础内容。本章简单介绍了pandas分层索引MultiIndex。
深入了解 Pandas 中的层次化索引（Hierarchical Indexing)_续
hzdt_1的博客
03-01 723
这个参数用于指定要在哪个轴上进行级别的交换。对于 DataFrame 对象，axis=0 表示在行索引上进行操作，axis=1 表示在列索引上进行操作。：默认为 True，表示分组的依据列会变成结果 DataFrame 的索引。：这是最重要的参数，用于指定分组依据的列名、列名列表、Series、索引级别等；：如果数据是多层索引的 DataFrame，可以使用 level 参数指定要在哪个级别上进行分组。：指定分组的方向，axis=0 表示按行分组（默认值），axis=1 表示按列分组。
Pandas基础之多层索引
m0_55703957的博客
03-27 359
【代码】Pandas基础之多层索引。
python数据分析（二）：Python Pandas索引技术详解
人工智能微客/aiweker
04-23 603
基础索引[].loc.iloc) 适合简单的数据访问布尔索引提供了强大的条件筛选能力多层索引让高维数据的组织和分析变得更加直观和高效掌握这些索引技术是成为Pandas高级用户的关键步骤。在实际应用中，应根据数据特点和分析需求选择合适的索引方式，并遵循最佳实践以获得更好的性能和可读性。通过合理使用索引，我们可以更高效地处理和分析数据，为数据科学工作流打下坚实基础。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值