【Pandas库】(5) 索引操作--增、删

各位同学好，今天我向大家介绍一下pandas库中的索引操作--增、删。

1. 增加

1.1 对series操作

方法一：在原有数据上增加，改变原有数据。

Series名[新标签名] = 新标签名对应的值

        创建Series类型数据ps1，它的标签为'a'到'e'，对应的值为0到4，原标签不存在'g'，使用ps1['g']=9，在原数组的最后追加一个标签'g'，以及它对应的值9。

import pandas as pd
# 创建一个Series类型数据，标签为'a'到'e'，对应的值为0到4
ps1 = pd.Series(range(5),index=["a","b","c","d","e"]) 
# 新标签'g'，对应的值为9
ps1["g"] = 9

---

 方法二：增加数据并赋值给新变量，不影响原来的数据

新变量 = Series名.append(Series类型数据)

        创建一个Series类型数据ps1，使用字典创建一个被追加的Series数据，append()函数不会对原数据修改，需要用一个新变量来接收这个追加后的结果。

import pandas as pd
# 创建一个Series类型数据
ps1 = pd.Series(range(5),index=["a","b","c","d","e"])
# 利用字典创建一个需要添加的Series类型数据
s1 = pd.Series({'f':999})
# 将s1追加到ps1后面
ps2 = ps1.append(s1)

---

 1.2 对DataFrame操作

（1）对列操作

        在最后一列后面追加一列： 

       变量名.[新标签] = 新标签对应的值

        该方法会直接对原数据修改。如下，使用numpy创建一个1到9的一维数组，使用shape(行数,列数)函数变成3行3列的二维数组，再转换成DataFrame类型。pd1[4]=9，追加一列的新列标签名是4，这一列的值都是9。注意的是，此处的列标签名4是int类型，而pd1中的'A'、'B'等都是str类型。

import pandas as pd
import numpy as np
# 在最后一列后面追加一列
pd1 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","b","c"],columns=["A","B","C"])
# 追加一列的列标签名是4，这一列的值都是9
pd1[4] = 9
# 追加一列的列标签名是4，这一列的值与列表对应
pd1[4] = [11,12,13]  

---

        在指定位置插入一列：

       变量名.insert(下标索引位置前, 索引名, 列数据)

        该方法会直接对原数据修改。首先下标索引位置是指位置索引标签，即0、1、2等。插入的索引名和值是插在自己指定的下标位置索引前面一列。如下，我指定位置索引是0，即我想在第1列前面插入一列。我定义的插入的一列的列索引名是'E'。

import pandas as pd
import numpy as np
# 在指定位置插入一列
pd1 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","b","c"],columns=["A","B","C"])
# 插入一列的列位置索引号是0，在0前插入标签E
pd1.insert(0,"E",[100,100,100])

---

 （2）对行操作

        在最后一行的后面追加一行，方法一：

        变量名.loc[标签名] = 行数据

        利用标签索引loc操作，涉及高级索引，后续章节会详述。该方法会直接对原数据修改。loc指定行，在原数据最后一行后面，新增行标签'k'，及其对应的行数据。

import pandas as pd
# 在最后一行追加一行
pd1 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","b","c"],columns=["A","B","C"])
pd1.loc["k"] = [77,88,99]

---

        在最后一行的后面追加一行，方法二：

        新变量 = 变量名.append(字典, ignore_index = True)

        该方法不会直接对原数据修改，需使用新变量接收。如下，我有一行数据想追加到DataFrame后面，但是直接追加的话，字典的key和dataframe的列标签名不对应，无法直接追加，此时使参数ignore_index = True，使字典的key和dataframe的列标签自动匹配进行追加。

import pandas as pd
import numpy as np
# 在最后一行追加一行
pd1 = pd.DataFrame(np.arange(1,10).reshape(3,3),index=["a","b","c"],columns=["A","B","C"])
# 创建一个字典，字典的key和pd1的列标签不对应，需要调整位置
row = {"B":0,"A":6,"C":7}  
# 使字典的key和列标签自动匹配进行追加
pd2 = pd1.append(row,ignore_index=True)

---

 2. 删除

2.1 对Series操作

（1）在原始数据上删除：

        del Series名[索引名]

        删除索引名所对应的一行数据

import pandas as pd
# 删除一行数据
ps1 = pd.Series(range(5),index=["a","b","c","d","e"])
del ps1['c']  #删除c所在的一行

---

（2）不影响原始数据的删除：

        新变量 = series名.drop(索引名1, 索引名2)

        需要一个新变量来接收结果。可以删除多行，自行输入需要删除的行索引名。

import pandas as pd
ps1 = pd.Series(range(5),index=["a","b","c","d","e"])  #创建一个series类型
# 删除'a'所在的一行
ps2 = ps1.drop('a')

---

 2.2 对DataFrame操作

（1）删除一行：

        新变量 = 变量名.drop(行索引名)

（2）删除多行

        新变量 = 变量名.drop([行索引名1, 行索引名2])

import pandas as pd
import numpy as np
pd1 = pd.DataFrame(np.arange(1,26).reshape(5,5),index=["a","b","c","d","e"],columns=["A","B","C","D","E"])
# 删除一行
pd_d1 = pd1.drop('a')
# 删除多行
pd_d2 = pd1.drop(['a','c'])

---

 （3）删除一列：

        新变量 = 变量名.drop(索引名, axis = 1)

        新变量 = 变量名.drop(索引名, axis = 'columns')

 （4）删除多列：

        新变量 = 变量名.drop([索引名1,索引名2], axis = 1)

        新变量 = 变量名.drop([索引名1,索引名2], axis = 'columns')

        该方法需要有变量接收返回值。对列操作需要指定轴axis，axis=1代表列方向，axis=0代表行方向。

import pandas as pd
import numpy as np
pd1 = pd.DataFrame(np.arange(1,16).reshape(3,5),index=["a","b","c"],columns=["A","B","C","D","E"])
# 删除一行
pd2 = pd1.drop("A",axis=1)  
# 删除多行
pd3 = pd1.drop(["A","C"],axis='columns')  

---

 （5）inplace属性：

        变量名.drop(行索引名, inplace=True)

        可直接在原数据上修改，不需要新变量来接收返回结果。

import pandas as pd
import numpy as np
pd1 = pd.DataFrame(np.arange(1,13).reshape(4,3),index=["a","b","c","d"],columns=["A","B","C"])
# 删除一行
pd1.drop("a",inplace=True)