Pandas---索引对象，数据索引和切片

一.索引对象

Pandas 相对 Numpy的一大变化就是丰富了数据的索引及其方法
Series 和 DataFrame 的索引----index对象
index对象
每个 Series 对象都有一个 index 属性，通过此属性就能得到 index 对象

默认索引依旧从0开始，索引值也可以修改
但请注意下面问题

为什么会报错呢，这是因为索引是一个属性，它不支持对 “索引的索引”进行修改，即 index 对象是不可变的

与Python对象相同， index 对象也能通过类创建

    pd.Index (data=None, dtype=None, copy=False, name=None, 等）
    Index 对象就是 pd.index( )的实例

for example：

取并集，交集，差集

使用 pd.DataFrame创建多级索引

互逆转化，如下，分别是DataFrame处理的一级和多级索引；
相同的数据，不同的表达

二.数据索引和切片

1.Series对象
这和python的索引方法相同

  一些基本方法
  'sh'  in   gdp     -----True
  gdp.keys( )        返回gdp的所有索引
  gdp.items( )       返回gdp的所有值
  gdp['ss']=2        增加key为‘ss'的一项
  gdp.ss            支持.操作，返回是 2；建议少用此方法，有可能和类方法重名

注意：Pandas中的切片，如果使用自己定义的索引值，那么‘前后’都包括，如果使用默认的整数索引，则和python规则相同；Pandas与Numpy不同，没有了 ‘’公用一个视图“概念
实例化一个

不同之处显而易见

再来看一些特殊情况
当自定义的索引和默认索引重复时，会怎么样呢？没错，会发生一些 “混乱”
所谓兵来将挡，水来土掩，Pandas提供了专门的方法： series.iloc[ ] 和 series.loc[ ]
一个特殊示例如下

这样就成功避免了 “混乱”
事实上，这个方法也适用于DataFrame 对象

但，它的索引是转化为 Series对象后的索引,即对于DataFrame对象来说，默认读取 列 的索引
a [‘a’]不存在；而对于Series对象来说则不影响
再来看,使用该方法后

显然此方法不受Series对象的限制，能够显示任一索引
如果想要返回第一个数值
采用

默认整数索引

2.DataFrame对象
DataFrame是二维的Pandas数据
借用上面定义过的gdp,这是一个多级索引对象

它对应的索引方法

每一行对应一个索引值，支持切片；能完成各种筛选
注意：自定义索引也支持切片，这里未列出，谨记
附加一个查看全部的操作

除了这两种方法，还有一个名为 .ix[ ]的获得索引切片的方法，在 [ ] 中可以混合放置默认索引和自定义索引