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:
In [1]: import pandas as pd
In [2]: df1 = pd.DataFrame({'a':[1,3,5],'b':[9,4,12]})
In [3]: df1
Out[3]:
a b
0 1 9
1 3 4
2 5 12
In [4]: df1.set_index('a',drop=False)
Out[4]:
a b
a
1 1 9
3 3 4
5 5 12
In [5]: df1.set_index('a',drop=True)
Out[5]:
b
a
1 9
3 4
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:
In [9]: df2.reset_index('a',drop=True)
Out[9]:
b
0 9
1 4
2 12
In [10]: df2.reset_index('a',drop=False)
Out[10]:
a b
0 1 9
1 3 4
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
In [3]: df1
Out[3]:
a b
0 1 9
1 3 4
2 5 12
In [12]: df1.reindex([0,3,2,1])
Out[12]:
a b
0 1.0 9.0
3 NaN NaN
2 5.0 12.0
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:
In [13]: df1.reindex(columns=['b','a','c'])
Out[13]:
b a c
0 9 1 NaN
1 4 3 NaN
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:
In [19]: df
Out[19]:
a b
0 1 6
1 2 2
2 5 8
s = pd.Series([5,8],index=['a','b']) # df的 index=2 等于s, 所以为 True
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