Python数据分析:设置索引,set_index。用列数据创建新索引。

1 代码示例

  直接上代码。

def dframe1():
    tn = np.nan
    # print(tn)
    # print(type(tn))
    data = {"第一列":[1.0, 4.0, 7.0, 3.0, tn], "第二列":[tn, 5.0, 8.0, 3.0, tn], "第三列":[1.0, 6.0, 9.0, 9.0, tn], "第六列":[tn, tn, tn, tn, tn]}
    df1 = pd.DataFrame(data=data)
    # print(df1)
    """
       第一列  第二列  第三列  第六列
    0     1.0     NaN     1.0     NaN
    1     4.0     5.0     6.0     NaN
    2     7.0     8.0     9.0     NaN
    3     3.0     3.0     9.0     NaN
    4     NaN     NaN     NaN     NaN
    """
    df2 = df1.set_index(["第一列"])
    # print(df2)
    """
            第二列  第三列  第六列
    第一列
    1.0        NaN     1.0     NaN
    4.0        5.0     6.0     NaN
    7.0        8.0     9.0     NaN
    3.0        3.0     9.0     NaN
    NaN        NaN     NaN     NaN
    """
    """
    不再是默认的行索引(0、1、2……)了,改用“第一列”的数据当行索引了。
    但“第一列”这个列索引名称还保留,一来方便恢复(不然怎么知道原来这列叫啥呢),二来突出是被 set_index 操作后的数据,一目了然。
    “第一列”怎么表示比较好呢?比常规的列索引名称(如“第二列”矮半头)。
    """
    # print(df2.loc["1.0"])
    """
    报错:
    KeyError: '1.0'
    """
    print(df2.loc[1.0])
    """
    第二列    NaN
    第三列    1.0
    第六列    NaN
    Name: 1.0, dtype: float64
    """
    # print(df2.loc[NaN])
    """
    报错。
    print(df2.loc["NaN"])
    还是报错。
    Pandas 的索引不允许包含 NaN 。
    """
    df2.loc[4.0] = [5.0, 6.0, 7.0]
    df2 = df2.dropna().reset_index()
    print(df2)
    """
       第一列  第二列  第三列  第六列
    0  4.0  5.0  6.0  7.0
    """
dframe1()

2 欢迎纠错

  欢迎纠错,随时更新。
  联系方式:评论、私信,或 企鹅 :179 0042 182 。
  码字不易,如觉得还可以,请给个免费的 zan 和 soucang ,让我有动力继续写下去。

3 免费爬虫

https://affiliate
.bazhuayu
.com
/M8lKUC

4 论文写作/Python 学习智能体

https://chatglm.cn/share/WF2C5ree


  • 以下关于 Markdown 编辑器

你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。

++ 新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:

  1. 全新的界面设计 ,将会带来全新的写作体验;
  2. 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
  3. 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
  4. 全新的 KaTeX数学公式 语法;
  5. 增加了支持甘特图的mermaid语法1 功能;
  6. 增加了 多屏幕编辑 Markdown文章功能;
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
  8. 增加了 检查列表 功能。

++ 功能快捷键

撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G

++ 合理的创建标题,有助于目录的生成

直接输入1次+,并按下space后,将生成1级标题。
输入2次+,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

++ 如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

++ 插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。

++ 如何插入一段漂亮的代码片

博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

++ 生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

++ 创建一个表格
一个简单的表格是这么创建的:

项目Value
电脑$1600
手机$12
导管$1

+++ 设定内容居中、居左、居右
使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

+++ SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

++ 创建一个自定义列表
Markdown
: Text-to-HTML conversion tool

Authors
John
Luke

++ 如何创建一个注脚

一个具有注脚的文本。2

++ 注释也是必不可少的

Markdown将文本转换为 HTML

++ KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n1)!nN 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=0tz1etdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

++ 新的甘特图功能,丰富你的文章

2014-01-07 2014-01-09 2014-01-11 2014-01-13 2014-01-15 2014-01-17 2014-01-19 2014-01-21 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法,参考 这儿,

++ UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:

张三 李四 王五 你好!李四, 最近怎么样? 你最近怎么样,王五? 我很好,谢谢! 我很好,谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆角长方形
菱形
  • 关于 Mermaid 语法,参考 这儿,

++ FLowchart流程图

我们依旧会支持flowchart的流程图:

Created with Raphaël 2.3.0 开始 我的操作 确认? 结束 yes no
  • 关于 Flowchart流程图 语法,参考 这儿.

++ 导出与导入

+++ 导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。

+++ 导入
如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。


  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

<think>好的,用户的问题是关于pandas中MultiIndex.from_tuples和set_index方法在设置多层索引时的区别。我需要先回忆这两个方法的具体用法和适用场景。 首先,MultiIndex.from_tuples属于直接生成多层索引对象的函数,通常用于从元组列表创建索引。比如,当用户有一个包含多个元组的列表,每个元组代表不同层级的索引值时,可以使用这个方法生成MultiIndex,然后将其赋值给DataFrame的index或columns参数。这在构建多层索引结构时比较直接,尤其是在数据初始化阶段。 而set_index是DataFrame的一个方法,用于将现有的列转换为索引。用户可以通过指定列名列表来创建多层索引,比如df.set_index(['A', 'B']),这样会将列'A'和'B'从数据中移到索引部分,形成多层索引。这种方法更适合在已有DataFrame的基础上调整索引结构,不需要预先构造MultiIndex对象。 接下来需要比较两者的区别,包括使用场景、灵活性、数据保留性、语法差异和性能等方面。例如,MultiIndex.from_tuples通常在创建DataFrame时直接指定索引,而set_index则是在已有数据上修改。此外,set_index会默认删除原来的列,除非设置drop=False,而MultiIndex.from_tuples生成索引时不影响原有数据列。 还要考虑用户可能的实际应用场景,比如是否需要保留原有列,或者是否需要动态调整索引结构。比如,如果数据已经有一个包含层次结构的列,使用set_index会更方便;而如果索引值需要从外部元组数据生成,可能更适合用MultiIndex.from_tuples。 同时,需要参考提供的引用内容。引用[5]提到set_index可以通过列名列表创建多层索引,而引用[1]、[2]、[3]说明MultiIndex.from_tuples用于生成多层索引结构,输入是元组列表。引用[4]提到在pivot_table中使用index参数传入多个列名形成多层索引,这可能与set_index方法类似。 最后,要确保回答结构清晰,分点列出区别,并给出示例代码,帮助用户理解。同时生成的相关问题需要覆盖使用场景、方法选择、数据保留、性能比较和应用实例等方面,以便用户进一步探索。</think>### Pandas中MultiIndex.from_tuples与set_index创建多层索引的区别 在Pandas中,`MultiIndex.from_tuples`和`set_index`均可用于创建多层索引,但两者的应用场景和实现方式有本质差异。以下是具体对比: --- #### 1. **功能定位** - **`MultiIndex.from_tuples`** 直接生成多层索引对象(`MultiIndex`),通常用于**从外部数据结构(如元组列表)显式构造索引**。例如: ```python import pandas as pd # 元组列表定义索引层级 tuples = [('A', 1), ('A', 2), ('B', 1)] multi_index = pd.MultiIndex.from_tuples(tuples, names=['Level1', 'Level2']) # 应用索引到DataFrame df = pd.DataFrame(data=[[10], [20], [30]], index=multi_index) ``` 输出索引结构为: ``` MultiIndex([('A', 1), ('A', 2), ('B', 1)], names=['Level1', 'Level2']) ``` - **`set_index`** 将DataFrame中**现有的列转换为索引**,适用于**基于已有列动态构建多层索引**的场景: ```python df = pd.DataFrame({'Level1': ['A', 'A', 'B'], 'Level2': [1, 2, 1], 'Value': [10, 20, 30]}) df.set_index(['Level1', 'Level2'], inplace=True) ``` 输出索引结构同上,但原始列`Level1`和`Level2`会被**默认删除**(可通过`drop=False`保留)。 --- #### 2. **灵活性对比** - **数据来源** - `MultiIndex.from_tuples`需要**预先定义索引值**(元组列表),适合索引与数据内容分离的场景[^1][^3]。 - `set_index`直接利用**现有列**,适合索引与数据列紧密关联的场景[^5]。 - **索引层级命名** - `MultiIndex.from_tuples`通过`names`参数命名层级[^1]。 - `set_index`的层级名称继承自列名。 --- #### 3. **数据保留性** - **`MultiIndex.from_tuples`** 仅影响索引结构,不修改原始数据列。 - **`set_index`** 默认会**删除被设置索引的列**(可通过`drop=False`保留)。 --- #### 4. **语法与性能** - **语法简洁性** `set_index`语法更简洁,适合快速操作;`MultiIndex.from_tuples`需额外构造索引对象。 - **性能差异** 两者性能接近,但`set_index`在大型数据集上可能略优(因直接操作列数据)。 --- #### 5. **典型应用场景** | 方法 | 适用场景 | |------------------------|--------------------------------------------------------------------------| | `MultiIndex.from_tuples` | 从外部元组生成索引、构建复杂层级结构(如多维时间序列)[^3] | | `set_index` | 基于现有列快速创建索引、动态调整索引结构(如分组聚合后重置索引)[^4][^5] | --- #### 示例对比 ```python # 方法1:使用MultiIndex.from_tuples tuples = [('A', 1), ('A', 2), ('B', 1)] multi_index = pd.MultiIndex.from_tuples(tuples, names=['L1', 'L2']) df1 = pd.DataFrame({'Value': [10, 20, 30]}, index=multi_index) # 方法2:使用set_index df2 = pd.DataFrame({'L1': ['A', 'A', 'B'], 'L2': [1, 2, 1], 'Value': [10, 20, 30]}) df2.set_index(['L1', 'L2'], inplace=True) ``` ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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