Pandas 必备操作之 Index

1 index 

pandas 中的 index 是行索引或行标签。行标签可以说是 pandas 的灵魂一签，支撑了 pandas 很多强大的业务功能，比如多个数据框的 join, merge 操作，自动对齐等。

下面总结几个平时常用的关于 index 的操作

2 列转 index 

有时，我们想把现有的数据框的某些列转化为 index，为之后的更多操作做准备。列转 index 实现方法如下：

1. In [1]: import pandas as pd

2. 
   

3. In [2]: df1 = pd.DataFrame({'a':[1,3,5],'b':[9,4,12]})

4. 
   

5. In [3]: df1

6. Out[3]:

7. a b

8. 0 1 9

9. 1 3 4

10. 2 5 12

11. 
    

12. In [4]: df1.set_index('a',drop=False)

13. Out[4]:

14. a b

15. a

16. 1 1 9

17. 3 3 4

18. 5 5 12

19. 
    

20. In [5]: df1.set_index('a',drop=True)

21. Out[5]:

22. b

23. a

24. 1 9

25. 3 4

26. 5 12

3 index 转列 

操作完成后，想再还原，即 index 转化为列，操作如下：

1. In [9]: df2.reset_index('a',drop=True)

2. Out[9]:

3. b

4. 0 9

5. 1 4

6. 2 12

7. 
   

8. In [10]: df2.reset_index('a',drop=False)

9. Out[10]:

10. a b

11. 0 1 9

12. 1 3 4

13. 2 5 12

4 index, 随心所欲 

如果想按照某种规则，重新排序行数据或列数据，靠一个函数就可以做到，它就是 reindex, 设置一个

1. In [3]: df1

2. Out[3]:

3. a b

4. 0 1 9

5. 1 3 4

6. 2 5 12

7. 
   

8. In [12]: df1.reindex([0,3,2,1])

9. Out[12]:

10. a b

11. 0 1.0 9.0

12. 3 NaN NaN

13. 2 5.0 12.0

14. 1 3.0 4.0

df1 原来有的行索引会重新按照最新的索引[0,3,2,1]重新对齐，原来没有的行索引 3，默认数据都填充为 NaN.

列数据的调整，也一样通过 reindex 实现，如下：

1. In [13]: df1.reindex(columns=['b','a','c'])

2. Out[13]:

3. b a c

4. 0 9 1 NaN

5. 1 4 3 NaN

6. 2 12 5 NaN

以上是关于 index 调整的某些策略。

5 留一个问题

如何判断一个数据框中某行数据等于某个Series，比如：

1. In [19]: df

2. Out[19]:

3. a b

4. 0 1 6

5. 1 2 2

6. 2 5 8

7. s = pd.Series([5,8],index=['a','b']) # df的 index=2 等于s, 所以为 True

8. s1 = pd.Series([89,8],index=['a','b']) # False

欢迎留言，期待你的想法。

---

Python 数据分析必备学习路线：期待你的参与

Python异常：unhashable type 是怎么回事？

Python与机器学习算法频道

长按订阅，干货满满