加载数据
import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv',index_col='ID')
df.head()
1 单级索引
1.1 loc方法、iloc方法、[]操作符
最常用的索引方法可能就是这三类,其中iloc表示位置索引,loc表示标签索引,[]也具有很大的便利性,各有特点
-
(a)loc方法(注意:所有在loc中使用的切片全部包含右端点!)
本质上说,loc中能传入的只有布尔列表和索引子集构成的列表,只要把握这个原则就很容易理解上面那些操作 -
(b)iloc方法(注意与loc不同,切片右端点不包含)
由上所述,iloc中接收的参数只能为整数或整数列表,不能使用布尔索引 -
(c) []操作符
如果不想陷入困境,请不要在行索引为浮点时使用[]操作符,因为在Series中的浮点[]并不是进行位置比较,而是值比较,非常特殊 -
(c.1)Series的[]操作
-
(c.2)DataFrame的[]操作
一般来说,[]操作符常用于列选择或布尔选择,尽量避免行的选择
1.2 布尔索引
- (a)布尔符号:’&’,’|’,’~’:分别代表和and,或or,取反not
- (b) isin方法
1.3 快速标量索引
- 当只需要取一个元素时,at和iat方法能够提供更快的实现:
display(df.at[1101,'School'])
display(df.loc[1101,'School'])
display(df.iat[0,0])
display(df.iloc[0,0])
#可尝试去掉注释对比时间
%timeit df.at[1101,'School']
%timeit df.loc[1101,'School']
%timeit df.iat[0,0]
%timeit df.iloc[0,0]
1.4 区间索引
此处介绍并不是说只能在单级索引中使用区间索引,只是作为一种特殊类型的索引方式,在此处先行介绍
- (a)利用interval_range方法
- (b)利用cut将数值列转为区间为元素的分类变量,例如统计数学成绩的区间情况:
- (c)区间索引的选取
- 如果想要选取某个区间,先要把分类变量转为区间变量,再使用overlap方法:
2 多级索引
2.1 创建多级索引
- (a)通过from_tuple或from_arrays
- (c)指定df中的列创建(set_index方法)
2.2 多层索引切片
- (a)一般切片
- (b)第一类特殊情况:由元组构成列表
- (c)第二类特殊情况:由列表构成元组
2.3 多层索引中的slice对象
- 索引Slice的使用非常灵活:
2.4 索引层的交换
- (a)swaplevel方法(两层交换)
- (b)reorder_levels方法(多层交换)
3 索引设定
3.1 index_col参数
- index_col是read_csv中的一个参数,而不是某一个方法:
3.2 reindex和reindex_like
- reindex是指重新索引,它的重要特性在于索引对齐,很多时候用于重新排序
- 可以选择缺失值的填充方法:fill_value和method(bfill/ffill/nearest),其中method参数必须索引单调
- reindex_like的作用为生成一个横纵索引完全与参数列表一致的DataFrame,数据使用被调用的表
- 如果df_temp单调还可以使用method参数:
3.3 set_index和reset_index
先介绍set_index:从字面意思看,就是将某些列作为索引
- 使用表内列作为索引:
- 利用append参数可以将当前索引维持不变
- 当使用与表长相同的列作为索引(需要先转化为Series,否则报错):
- 可以直接添加多级索引:
下面介绍reset_index方法,它的主要功能是将索引重置 - 默认状态直接恢复到自然数索引:
- 用level参数指定哪一层被reset,用col_level参数指定set到哪一层:
3.4 rename_axis和rename
- rename_axis是针对多级索引的方法,作用是修改某一层的索引名,而不是索引标签
- rename方法用于修改列或者行索引标签,而不是索引名:
4 常用索引型函数
4.1 where函数
- 当对条件为False的单元进行填充:
- 通过这种方法筛选结果和[]操作符的结果完全一致:
- 第一个参数为布尔条件,第二个参数为填充值:
4.2 mask函数
- mask函数与where功能上相反,其余完全一致,即对条件为True的单元进行填充
4.3 query函数
- query函数中的布尔表达式中,下面的符号都是合法的:行列索引名、字符串、and/not/or/&/|/~/not in/in/==/!=、四则运算符
5 重复元素处理
5.1 duplicated方法
- 该方法返回了是否重复的布尔列表
- 可选参数keep默认为first,即首次出现设为不重复,若为last,则最后一次设为不重复,若为False,则所有重复项为False
5.2 drop_duplicates方法
- 从名字上看出为剔除重复项,这在后面章节中的分组操作中可能是有用的,例如需要保留每组的第一个值:
- 参数与duplicate函数类似:
- 在传入多列时等价于将多列共同视作一个多级索引,比较重复项:
6 抽样函数
这里的抽样函数指的就是sample函数
- (a)n为样本量
- (b)frac为抽样比
- (c)replace为是否放回
- (d)axis为抽样维度,默认为0,即抽行
- (e)weights为样本权重,自动归一化
7 问题与练习
7.1 问题
【问题一】 如何更改列或行的顺序?如何交换奇偶行(列)的顺序?
【问题二】 如果要选出DataFrame的某个子集,请给出尽可能多的方法实现。
【问题三】 query函数比其他索引方法的速度更慢吗?在什么场合使用什么索引最高效?
【问题四】 单级索引能使用Slice对象吗?能的话怎么使用,请给出一个例子。
【问题五】 如何快速找出某一列的缺失值所在索引?
【问题六】 索引设定中的所有方法分别适用于哪些场合?怎么直接把某个DataFrame的索引换成任意给定同长度的索引?
【问题七】 多级索引有什么适用场合?
【问题八】 什么时候需要重复元素处理?