pandas.Dataframe生成pivot_table后多层索引变一层索引

最新推荐文章于 2025-06-15 00:15:00 发布
原创 最新推荐文章于 2025-06-15 00:15:00 发布 · 1.1w 阅读 · 29 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pandas #multiindex #pivot

这篇博客介绍了如何处理pandas DataFrame通过pivot_table生成透视表后产生的多层索引问题。作者通过创建表格、生成透视表、reset_index()、获取并合并索引层，最后重新设置索引，成功将多层索引转换为一层索引，以便于与其他单层索引表格进行merge操作。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

pandas.Dataframe经过pivot_table生成透视表以后multiindex的处理

问题描述：

众所周知，pandas生成透视表后，index会变成multiindex，即多层索引。

多层索引就是列索引大于一层的情况。

实际操作中透视表生成之后想要与其他一层索引的表格进行merge而因为出现多层索引所以无法实现正常的merge。

网上只有如何形成multiindex的方法，却没有怎么取消多层索引的方法，最多也只是消除index，然而并不能解决问题。

查阅了文档也并没有直接合并多层索引的函数存在。

所以自己想出一种可以恢复多层索引为一层的方法。

第一步：创建表格

    LICENCECD ORDER_DATE   CIGCD  SLQTY
0           1 2018-01-01  322602    200
1           1 2018-01-01  320505    200
2           1 2018-01-01  320503    200
4           1 2018-01-01  430402    800
6           2 2018-01-01  423806    200
9           2 2018-01-01  423801   1400
10          2 2018-01-01  410616 &nb

最低0.47元/天 解锁文章

200万优质内容无限畅学
030—pandas 对数据透视并将多层索引整合为一列
2202_76035290的博客
03-17 857
以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而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。
df.rank & pd.pivot_table & pd.read_excel & df添加行 &调整df行列顺序(reindex再理解）
weixin_43178406的博客
03-11 1万+
1. df.rank 2. pd.pivot_table 2.1 index 2.2 aggfunc 2.3 values 2.4 columns 2.5 fill_value&dropna 3. pd.read_excel 4. df添加行 4.1 append方法 4.2 concat方法 4.3 loc 5. 调整df行列顺序
pandas多层索引转为一层(pivot_table和groupby)
热门推荐
hhq2lcl的博客
12-01 1万+
1、源数据表 2、生成透视表 3、删除一层索引(缺陷：【Pclass】)——【建议用方法二】 1）方法一：直接删除法 2）方法二：合并索引法 由于f2.columns存在数值，且元祖元素无法修改；需要转为list，再转为str。  ...
【Pandas】pandas DataFrame pivot_table
最新发布
weixin_39648905的博客
06-15 1026
`pandas.DataFrame.pivot_table()` 是一个用于**创建透视表（pivot table）**的函数，它允许你根据指定的行和列对数据进行分组，并应用聚合函数（如 `mean`, `sum`, `count` 等）来汇总数据。与 `pivot()` 不同的是，`pivot_table()` 支持对重复项进行聚合操作。
Python pandas多层次索引降级为单层索引
爱吃干脆面的小潘
08-20 5925
在Pandas中使用pivot_table做聚合运算后，计算出来的结果具有多层次索引。 import pandas as pd sku_store=data10.pivot_table(index=["item_num","vender_name"],columns="period",values=["store_name"],aggfunc=["count"]) sku_store=sku_store.reset_index() 如下所示，这是一个三层结构的索引 接下来我们给这个三层索引降级为单层
2022/5/23 python pivot_table多层索引转成单层索引的方法
wu17825847427的博客
05-23 882
python pivot_table多层索引转成单层索引的方法
pandas pivot_table并改变多重索引multiindex
花木兰
06-11 5415
背景： 原df df1 = df.pivot_table(index=["user_id"], columns=["question_id"], values=["score","duration"]).fillna(0) print(df1) 透视之后 目标透视图： solution： c1=df['question_id'].drop_duplicates() c2=['score',...
Python Pandas DataFrame多维的列索引 如何展开成为一维索引？
huochuangchuang的专栏
03-04 2496
Python Pandas DataFrame多维的列索引 如何展开成为一维索引？ df_stat = df.groupby(['Student ID'],as_index=False)['entropy', 'Out Count', 'In Count'].agg(['mean','std']) df_stat.columns MultiIndex(levels=[[‘entropy’, ‘Out Count’, ‘In Count’], [‘mean’, ‘std’]], codes=[[0, 0
pandas.pivot_table()数据透视表详解
漫步量化
09-10 4171
数据透视表 百度百科 数据透视表（Pivot Table）是一种交互式的表，可以进行某些计算，如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。 之所以称为数据透视表，是因为可以动态地改变它们的版面布置，以便按照不同方式分析数据，也可以重新安排行号、列标和页字段。每一次改变版面布置时，数据透视表会立即按照新的布置重新计算数据。另外，如果原始数据发生更改，则可以更新数据透视表。 官...
去除使用pivot_table后产生的多重索引
未央的博客
02-23 6371
参考来源 将列中的重复索引删除 pro_data.columns = pro_data.columns.droplevel(0) 使用reset_index()将行的多重索引去除 但是此时name和glass_id仍为索引 pro_data = pd.concat([pro_data,pd.DataFrame(data=pro_data.index.tolist(),columns=[p...
一文了解python 透视图（pandas.pivot_table）
Robin_Pi的博客
08-18 4236
文章目录pivot_table的参数理解pivot 与 groupby其它查看可视化保存 先上图：pandas piviot_table cheet sheet or： 先初略的了解透视图是用来干什么的，一句话：pivot_table 最大的意义便是将数据分组表示并进行聚合运算（结合上面的图来看）。如果你了解pandas的 groupby ，那你会发现他们基本是相通的。 下面是正片： pivot_table的参数理解 Signature: pd.pivot_table( data, val
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
dataframe执行数据透视pivot_table后拍平列名称
追
03-23 857
需要把执行pivot_table后生成的结果转换为数组。 import pymysql import pandas as pd import numpy as np from pyecharts.options import ComponentTitleOpts from pyecharts.charts import Tab from pyecharts.components import Table # 创建连接 # def get_df(): db = pymysql.connect(ho...
尝试在 DataFrame.pivot 中使用多索引时出现 ValueError
05-29 281
如果你试图创建多索引，确保没有重复的索引值。- 如果你的 DataFrame 的索引不是简单的一维标签，而是多维（如 `MultiIndex`），那么在使用 pivot 时可能需要特别注意如何定义索引和列。遇到 `DataFrame.pivot` 时出现 `ValueError` 通常意味着你的数据结构不符合 pivot 函数的要求。'Index1': ['X', 'X', 'Y', 'Z'], # 一级索引。'Index2': ['A', 'B', 'C', 'D'], # 二级索引。
pandas使用pivot_table函数构建透视表、stack函数将列索引转化为行索引（形成复合行索引）
statistics+insight+vista+power
01-23 344
pandas使用pivot_table函数构建透视表、stack函数将列索引转化为行索引（形成复合行索引）
10分钟学会Pandas多层级索引
Python_Ai_Road的博客
07-20 2989
​ Pandas库的名字来源于其中3种主要数据结构开头字母的缩写： Panel,Dataframe,Series。 其中Series表示一维数据，Dataframe表示二维数据，Panel表示三维数据。 但实际上，当数据高于二维时，我们一般用包含多层级索引的Dataframe进行表示，而不是使用Panel。 原因是使用多层级索引展示数据更加直观，操作数据更加灵活，并且可以表示3维，4维乃至任意...
python pivot table 多层索引顺序_盘一盘 Python 系列特别篇十七之 透视表 Pivot Table...
weixin_39583222的博客
11-27 1563
本文含3796字，22图表截屏建议阅读20分钟从功能上讲，Pandas 中用透视表 (pivot table) 和 Excel 里面的透视表是一样的。透视表是一种做多维数据分析的工具，还记得Pandas的 split-apply-combine 三部曲吗？首先用 groupby 分组，再平行将某个函数应用到各组上，最后自动连接成一个总表。今天介绍的 pivot_table(...
pandas - 在做pivot_table时 如何将第一层column与第二层column交换位置
zhaoleiedu的博客
04-28 1612
pandas - 在做pivot_table时 如何将第一层column与第二层column交换位置 原始数据长这样: id course score semeter 0 1 eng 73 a 1 2 eng 19 b 2 3 eng 72 a 3 4 math 63 b 4 5 math 70 b 5 6 math 47 a 6 7 chinese 21 b 7 8 chinese 56 b 8 9 chinese 19 b df_pt = df.pivot_table(columns=["course
python pd.dataframe多重索引展平，提取为单索引
weixin_62927983的博客
07-26 1061
虽然提取数据之后，数据结构更简单，但是列名column仍然有多重索引，不方便后续处理数据。于是想了个方法，先将数据列表转置，变为index具有多重索引，用.reset_index()方法重置索引再对索引进行设置。背景是这样，我用swmm-api对模型模拟结果.OUT文件读取，读出来是一整个巨型dataframe，包含全部模型模拟结果，但是我的目标是提取节点淹没的相关信息。首先搞清楚dataframe的数据结构—列名为多重索引（multiindex）。
python用pd.MultiIndex.from_:设置多层索引和set_index的区别
03-13
<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**删除被设置为索引的列**（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 3
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