第2章索引

import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv',index_col='ID')
df.head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

import numpy as np
import pandas as pd
df=pd.read_csv('data/table.csv',index_col='ID')
df.head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

df.describe()

	Height	Weight	Math
count	35.000000	35.000000	35.000000
mean	174.142857	74.657143	61.351429
std	13.541098	12.895377	19.915164
min	155.000000	53.000000	31.500000
25%	161.000000	63.000000	47.400000
50%	173.000000	74.000000	61.700000
75%	187.500000	82.000000	77.100000
max	195.000000	100.000000	97.000000

一、单级索引

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！）

① 单行索引：

（注意：所有在loc中使用的切片全部包含右端点！这是因为如果作为Pandas的使用者，那么肯定不太关心最后一个标签再往后一位是什么，但是如果是左闭右开，那么就很麻烦，先要知道再后面一列的名字是什么，非常不方便，因此Pandas中将loc设计为左右全闭）

df.loc[1103]

School          S_1
Class           C_1
Gender            M
Address    street_2
Height          186
Weight           82
Math           87.2
Physics          B+
Name: 1103, dtype: object

df.loc[1101]

School          S_1
Class           C_1
Gender            M
Address    street_1
Height          173
Weight           63
Math             34
Physics          A+
Name: 1101, dtype: object

② 多行索引：

df.loc[[1102,2304]]
df.loc[[1102,2201]]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+
2201	S_2	C_2	M	street_5	193	100	39.1	B

df.loc[1304:].head()
df.loc[1304:].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1304	S_1	C_3	M	street_2	195	70	85.2	A
1305	S_1	C_3	F	street_5	187	69	61.7	B-
2101	S_2	C_1	M	street_7	174	84	83.3	C
2102	S_2	C_1	F	street_6	161	61	50.6	B+
2103	S_2	C_1	M	street_4	157	61	52.5	B-

df.loc[2402::-1].head()
df.loc[2402:2401:-1].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
2402	S_2	C_4	M	street_7	166	82	48.7	B
2401	S_2	C_4	F	street_2	192	62	45.3	A

③ 单列索引：

df.loc[:,'Height'].head()
df['Height'].head()
df.loc[1101:1102,'Height']

ID
1101    173
1102    192
Name: Height, dtype: int64

④ 多列索引：

df.loc[:,['Height','Math']].head()
df.loc[:,['Height','Math']].head()
df[['Height','Math']].head()

	Height	Math
ID
1101	173	34.0
1102	192	32.5
1103	186	87.2
1104	167	80.4
1105	159	84.8

df.loc[:,'Height':'Math'].head()
df.loc[:,'Height':'Math'].head()

	Height	Weight	Math
ID
1101	173	63	34.0
1102	192	73	32.5
1103	186	82	87.2
1104	167	81	80.4
1105	159	64	84.8

⑤ 联合索引：

df.loc[1102:2401:3,'Height':'Math'].head()
df.loc[1102:2201:3,'Height':'Math'].head()
df.loc[1102:2201:3,'Height':'Math':2].head()

	Height	Math
ID
1102	192	32.5
1105	159	84.8
1203	160	58.8
1301	161	31.5
1304	195	85.2

⑥ 函数式索引：

df.loc[lambda x:x['Gender']=='M'].head()
#loc中使用的函数，传入参数就是前面的df
df.loc[lambda x:x['Gender']=='M'].head()
df[df['Gender']=='M'].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1301	S_1	C_3	M	street_4	161	68	31.5	B+

#这里的例子表示，loc中能够传入函数，并且函数的输入值是整张表，输出为标量、切片、合法列表（元素出现在索引中）、合法索引
def f(x):
    return [1101,1103]
df.loc[f]
def lam(x):
    return x['Gender']=='M'
df.loc[lam].head()
def f(x):
    return [1101,1103]
df.loc[f]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1103	S_1	C_1	M	street_2	186	82	87.2	B+

⑦ 布尔索引（将重点在第2节介绍）

df.loc[df['Address'].isin(['street_7','street_4'])].head()
df.loc[df['Address'].isin(['street_7','street_4'])].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1105	S_1	C_1	F	street_4	159	64	84.8	B+
1202	S_1	C_2	F	street_4	176	94	63.5	B-
1301	S_1	C_3	M	street_4	161	68	31.5	B+
1303	S_1	C_3	M	street_7	188	82	49.7	B
2101	S_2	C_1	M	street_7	174	84	83.3	C

df.loc[[True if i[-1]=='4' or i[-1]=='7' else False for i in df['Address'].values]].head()
df.loc[[True if i[-1]=='4'or i[-1]=='7' else False for i in df['Address'].values]].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1105	S_1	C_1	F	street_4	159	64	84.8	B+
1202	S_1	C_2	F	street_4	176	94	63.5	B-
1301	S_1	C_3	M	street_4	161	68	31.5	B+
1303	S_1	C_3	M	street_7	188	82	49.7	B
2101	S_2	C_1	M	street_7	174	84	83.3	C

小节：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）

① 单行索引：

df.iloc[3]
df.iloc[0]
# df.iloc[[0,3]]

School          S_1
Class           C_1
Gender            M
Address    street_1
Height          173
Weight           63
Math             34
Physics          A+
Name: 1101, dtype: object

② 多行索引：

df.iloc[[0,3]]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1104	S_1	C_1	F	street_2	167	81	80.4	B-

df.iloc[3:5]
#df.iloc[5:3:-1]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

df.iloc[4:2:-1]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1105	S_1	C_1	F	street_4	159	64	84.8	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-

③ 单列索引：

df.iloc[:,3].head()
# df.iloc[0,0]
# df.iloc[:,0:3].head()

ID
1101    street_1
1102    street_2
1103    street_2
1104    street_2
1105    street_4
Name: Address, dtype: object

④ 多列索引：

df.iloc[:,7::-2].head()
df.iloc[:,7::-2].head()

	Physics	Weight	Address	Class
ID
1101	A+	63	street_1	C_1
1102	B+	73	street_2	C_1
1103	B+	82	street_2	C_1
1104	B-	81	street_2	C_1
1105	B+	64	street_4	C_1

⑤ 混合索引：

df.iloc[3::4,7::-2].head()
df.iloc[3::4,7::-2]

	Physics	Weight	Address	Class
ID
1104	B-	81	street_2	C_1
1203	A+	53	street_6	C_2
1302	A-	57	street_1	C_3
2101	C	84	street_7	C_1
2105	A	81	street_4	C_1
2204	B-	74	street_1	C_2
2303	C	99	street_7	C_3
2402	B	82	street_7	C_4

⑥ 函数式索引：

df.iloc[lambda x:[3]].head()
df.iloc[lambda x:[3]].head()
df.iloc[[i for i in range(5)]]
def f(x):
    temp=[]
    index=0
    for i in x['Physics'].values:
        if i =='A+':
            temp.append(index)
        index+=1
    return temp
df.iloc[f]
#type(df['Physics'].values)
#type(df['Physics']=='A+')
df.iloc[list(df['Physics']=='A+')]#纯布尔Series会报错，将布尔转成list就可以了

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1203	S_1	C_2	M	street_6	160	53	58.8	A+
2203	S_2	C_2	M	street_4	155	91	73.8	A+

小节：iloc中接收的参数只能为整数或整数列表或布尔列表，不能使用布尔Series，如果要用就必须如下把values拿出来

#df.iloc[df['School']=='S_1'].head() #报错
df.iloc[(df['School']=='S_1').values].head()
#type((df['School']=='S_1').values)

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

（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

① 单元素索引：

s = pd.Series(df['Math'],index=df.index)
s[1101]
#使用的是索引标签
s=pd.Series(df['Math'],index=df.index)
s[1101]
# t=df['Math']
# t[1101]

34.0

② 多行索引：

s[0:4]

#使用的是绝对位置的整数切片，与元素无关，这里容易混淆

Series([], Name: Math, dtype: float64)

③ 函数式索引：

s[lambda x: x.index[16::-6]]
# s[lambda x:x.index[16::-6]]
#注意使用lambda函数时，直接切片(如：s[lambda x: 16::-6])就报错，此时使用的不是绝对位置切片，而是元素切片，非常易错

ID
2102    50.6
1301    31.5
1105    84.8
Name: Math, dtype: float64

④ 布尔索引：

s.head()

ID
1101    34.0
1102    32.5
1103    87.2
1104    80.4
1105    84.8
Name: Math, dtype: float64

s[s>80]
# s[s>80]

ID
1103    87.2
1104    80.4
1105    84.8
1201    97.0
1302    87.7
1304    85.2
2101    83.3
2205    85.4
2304    95.5
Name: Math, dtype: float64

【注意】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[]的浮点切片并不是进行位置比较，而是值比较，非常特殊

s_int = pd.Series([1,2,3,4],index=[1,3,5,6])
s_float = pd.Series([1,2,3,4],index=[1.,3.,5.,6.])
s_int
# s_int=pd.Series([1,2,3,4],index=[1,3,5,6])
# s_float=pd.Series([1,2,3,4],index=[1.,3.,5.,6.])
# s_int
# s_float
# s_int[2:]
# s_float[2:]

3.0    2
5.0    3
6.0    4
dtype: int64

s_int[2:]

5    3
6    4
dtype: int64

s_float

1.0    1
3.0    2
5.0    3
6.0    4
dtype: int64

#注意和s_int[2:]结果不一样了，因为2这里是元素而不是位置
s_float[2:]

3.0    2
5.0    3
6.0    4
dtype: int64

（c.2）DataFrame的[]操作

① 单行索引：

df[1:3]

#这里非常容易写成df['label']，会报错
#同Series使用了绝对位置切片
#如果想要获得某一个元素，可用如下get_loc方法：

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+

row = df.index.get_loc(1102)
df[row:row+1]
row=df.index.get_loc(1102)
df[row:row+1]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+

② 多行索引：

#用切片，如果是选取指定的某几行，推荐使用loc，否则很可能报错
df[3:5]
df[2:4]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-

③ 单列索引：

df['School'].head()
df['School'].head()

ID
1101    S_1
1102    S_1
1103    S_1
1104    S_1
1105    S_1
Name: School, dtype: object

④ 多列索引：

df[['School','Math']].head()
df[['School','Math']].head()

	School	Math
ID
1101	S_1	34.0
1102	S_1	32.5
1103	S_1	87.2
1104	S_1	80.4
1105	S_1	84.8

⑤函数式索引：

df[lambda x:['Math','Physics']].head()
df[lambda x:['Math','Physics']].head()

	Math	Physics
ID
1101	34.0	A+
1102	32.5	B+
1103	87.2	B+
1104	80.4	B-
1105	84.8	B+

⑥ 布尔索引：

df[df['Gender']=='F'].head()
df[df['Gender']=='F'].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+
1202	S_1	C_2	F	street_4	176	94	63.5	B-
1204	S_1	C_2	F	street_5	162	63	33.8	B

小节：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

2. 布尔索引

（a）布尔符号：’&’,’|’,’~’：分别代表和and，或or，取反not

df[(df['Gender']=='F')&(df['Address']=='street_2')].head()
df[(df['Gender']=='F')&(df['Address']=='street_2')].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
2401	S_2	C_4	F	street_2	192	62	45.3	A
2404	S_2	C_4	F	street_2	160	84	67.7	B

df[(df['Math']>85)|(df['Address']=='street_7')].head()
df[(df['Math']>90)|(df['Address']=='street_7')].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1303	S_1	C_3	M	street_7	188	82	49.7	B
2101	S_2	C_1	M	street_7	174	84	83.3	C
2202	S_2	C_2	F	street_7	194	77	68.5	B+
2205	S_2	C_2	F	street_7	183	76	85.4	B

df[~((df['Math']>75)|(df['Address']=='street_1'))].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1202	S_1	C_2	F	street_4	176	94	63.5	B-
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1204	S_1	C_2	F	street_5	162	63	33.8	B
1205	S_1	C_2	F	street_6	167	63	68.4	B-

loc和[]中相应位置都能使用布尔列表选择：

df.loc[df['Math']>60,(df[:8]['Address']=='street_6').values].head()
df.loc[df['Math']>60,df.columns=='Physics'].head()
# df[:8]['Address']=='street_6'
#如果不加values就会索引对齐发生错误，Pandas中的索引对齐是一个重要特征，很多时候非常使用
#但是若不加以留意，就会埋下隐患
#思考：为什么df.loc[df['Math']>60,(df[:8]['Address']=='street_6').values].head()得到和上述结果一样？values能去掉吗？

ID
1101    street_1
1102    street_2
1103    street_2
1104    street_2
1105    street_4
1201    street_5
1202    street_4
1203    street_6
Name: Address, dtype: object

df[:8]['Address']=='street_6'

ID
1101    False
1102    False
1103    False
1104    False
1105    False
1201    False
1202    False
1203     True
Name: Address, dtype: bool

（b） isin方法

df[df['Address'].isin(['street_1','street_4'])&df['Physics'].isin(['A','A+'])]
df[df['Address'].isin(['street_1','street_4'])&(df['Physics'].isin(['A','A+']))]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
2105	S_2	C_1	M	street_4	170	81	34.2	A
2203	S_2	C_2	M	street_4	155	91	73.8	A+

#上面也可以用字典方式写：
df[df[['Address','Physics']].isin({'Address':['street_1','street_4'],'Physics':['A','A+']}).all(1)]#
df[df[['Address','Physics']].isin({'Address':['street_1','street_4'],'Physics':['A','A+']}).all(1)]
#all与&的思路是类似的，其中的1代表按照跨列方向判断是否全为True

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
2105	S_2	C_1	M	street_4	170	81	34.2	A
2203	S_2	C_2	M	street_4	155	91	73.8	A+

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]

'S_1'



'S_1'



'S_1'



'S_1'


3.9 µs ± 796 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
6.08 µs ± 11 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
4.49 µs ± 881 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
6.73 µs ± 1.33 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)

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

pd.interval_range(start=0,end=5)
pd.interval_range(start=0,end=5,closed='both')
#closed参数可选'left''right''both''neither'，默认左开右闭

IntervalIndex([[0, 1], [1, 2], [2, 3], [3, 4], [4, 5]],
              closed='both',
              dtype='interval[int64]')

pd.interval_range(start=0,periods=8,freq=5)
pd.interval_range(start=0,periods=9,freq=5)
#periods参数控制区间个数，freq控制步长

IntervalIndex([[0, 5], [5, 10], [10, 15], [15, 20], [20, 25], [25, 30], [30, 35], [35, 40], [40, 45]],
              closed='both',
              dtype='interval[int64]')

（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：

math_interval = pd.cut(df['Math'],bins=[0,40,60,80,100])#.astype('interval')
#注意，如果没有类型转换，此时并不是区间类型，而是category类型
math_interval.head()
math_interval=pd.cut(df['Math'],bins=[0,40,60,80,100]).astype('interval')
math_interval.head()

ID
1101      (0, 40]
1102      (0, 40]
1103    (80, 100]
1104    (80, 100]
1105    (80, 100]
Name: Math, dtype: interval

（c）区间索引的选取

df_i = df.join(math_interval,rsuffix='_interval')[['Math','Math_interval']]\
            .reset_index().set_index('Math_interval')
df_i.head()
# 由于df1和df2中有重叠的列名，所以还需要分别指定lsuffix和rsuffix参数来表示合并后的列名后缀以区分合并后的列名。

# df_j=df.join(math_interval,rsuffix='_r')[['Math','Math_r']].set_index('Math_r')
# df_j.head()

	ID	Math
Math_interval
(0, 40]	1101	34.0
(0, 40]	1102	32.5
(80, 100]	1103	87.2
(80, 100]	1104	80.4
(80, 100]	1105	84.8

df_i.loc[65].head()
#包含该值就会被选中
df_i.loc[80].head()

	ID	Math
Math_interval
(60, 80]	1202	63.5
(60, 80]	1205	68.4
(60, 80]	1305	61.7
(60, 80]	2104	72.2
(60, 80]	2202	68.5

df_i.loc[[65,90]].head()
#df_i.loc[[65,90]]

	ID	Math
Math_interval
(60, 80]	1202	63.5
(60, 80]	1205	68.4
(60, 80]	1305	61.7
(60, 80]	2104	72.2
(60, 80]	2202	68.5

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：

#df_i.loc[pd.Interval(70,75)].head() 报错
display(df_i[df_i.index.astype('interval').overlaps(pd.Interval(70, 85))].head())
display(df_i.index.astype('interval').overlaps(pd.Interval(70,85)))

	ID	Math
Math_interval
(80, 100]	1103	87.2
(80, 100]	1104	80.4
(80, 100]	1105	84.8
(80, 100]	1201	97.0
(60, 80]	1202	63.5

array([False, False,  True,  True,  True,  True,  True, False, False,
        True, False,  True, False,  True,  True,  True, False, False,
        True, False, False,  True,  True, False,  True,  True, False,
        True,  True, False, False, False, False,  True, False])

二、多级索引

1. 创建多级索引

（a）通过from_tuple或from_arrays

① 直接创建元组

tuples = [('A','a'),('A','b'),('B','a'),('B','b')]
mul_index = pd.MultiIndex.from_tuples(tuples, names=('Upper', 'Lower'))
mul_index


tuples=[('A','a'),('A','b'),('B','a'),('B','b')]
mul_index=pd.MultiIndex.from_tuples(tuples,names=('Upper','lower'))
mul_index

MultiIndex([('A', 'a'),
            ('A', 'b'),
            ('B', 'a'),
            ('B', 'b')],
           names=['Upper', 'lower'])

pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

		Score
Upper	lower
A	a	perfect
A	b	good
B	a	fair
B	b	bad

② 利用zip创建元组

L1 = list('AABB')
L2 = list('abab')
tuples = list(zip(L1,L2))
mul_index = pd.MultiIndex.from_tuples(tuples, names=('Upper', 'Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

L1=list('AABB')
L2=list('aabb')
tuples=list(zip(L1,L2))
mul_index=pd.MultiIndex.from_tuples(tuples,names=('Upper','Lower'))
pd.DataFrame({'Score':['oerfect','good','fair','bad']},index=mul_index)

		Score
Upper	Lower
A	a	oerfect
A	a	good
B	b	fair
B	b	bad

③ 通过Array创建

arrays = [['A','a'],['A','b'],['B','a'],['B','b']]
mul_index = pd.MultiIndex.from_tuples(arrays, names=('Upper', 'Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

arrays=[['A','a'],['A','b'],['B','a'],['B','b']]
mul_index=pd.MultiIndex.from_tuples(arrays,names=('Upper','Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

		Score
Upper	Lower
A	a	perfect
A	b	good
B	a	fair
B	b	bad

mul_index
#由此看出内部自动转成元组

MultiIndex([('A', 'a'),
            ('A', 'b'),
            ('B', 'a'),
            ('B', 'b')],
           names=['Upper', 'Lower'])

（b）通过from_product

L1 = ['A','B']
L2 = ['a','b']
pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
#两两相乘


L1=['A','B']
L2=['a','b']
pd.MultiIndex.from_product([L1,L2],names=('Upper','lower'))

MultiIndex([('A', 'a'),
            ('A', 'b'),
            ('B', 'a'),
            ('B', 'b')],
           names=['Upper', 'lower'])

（c）指定df中的列创建（set_index方法）

df_using_mul = df.set_index(['Class','Address'])
df_using_mul.head()

# df_using_mul=df.reset_index().set_index(['Height','Weight'])
# df_using_mul.head()

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_1	street_1	S_1	M	173	63	34.0	A+
	street_2	S_1	F	192	73	32.5	B+
	street_2	S_1	M	186	82	87.2	B+
	street_2	S_1	F	167	81	80.4	B-
	street_4	S_1	F	159	64	84.8	B+

2. 多层索引切片

df_using_mul.head()

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_1	street_1	S_1	M	173	63	34.0	A+
	street_2	S_1	F	192	73	32.5	B+
	street_2	S_1	M	186	82	87.2	B+
	street_2	S_1	F	167	81	80.4	B-
	street_4	S_1	F	159	64	84.8	B+

（a）一般切片

display(df_using_mul.loc['C_2'])
display(df_using_mul.index.is_lexsorted())
df_using_mul.index.is_lexsorted()
#该函数检查是否排序
display(df_using_mul.sort_index().loc['C_2'])
display(df_using_mul.sort_index().index.is_lexsorted())

	School	Gender	Height	Weight	Math	Physics
Address
street_5	S_1	M	188	68	97.0	A-
street_4	S_1	F	176	94	63.5	B-
street_6	S_1	M	160	53	58.8	A+
street_5	S_1	F	162	63	33.8	B
street_6	S_1	F	167	63	68.4	B-
street_5	S_2	M	193	100	39.1	B
street_7	S_2	F	194	77	68.5	B+
street_4	S_2	M	155	91	73.8	A+
street_1	S_2	M	175	74	47.2	B-
street_7	S_2	F	183	76	85.4	B

False

	School	Gender	Height	Weight	Math	Physics
Address
street_1	S_2	M	175	74	47.2	B-
street_4	S_1	F	176	94	63.5	B-
street_4	S_2	M	155	91	73.8	A+
street_5	S_1	M	188	68	97.0	A-
street_5	S_1	F	162	63	33.8	B
street_5	S_2	M	193	100	39.1	B
street_6	S_1	M	160	53	58.8	A+
street_6	S_1	F	167	63	68.4	B-
street_7	S_2	F	194	77	68.5	B+
street_7	S_2	F	183	76	85.4	B

True

#df_using_mul.loc['C_2','street_5']
#当索引不排序时，单个索引会报出性能警告
# df_using_mul.index.is_lexsorted()
#该函数检查是否排序
display(df_using_mul.sort_index().loc['C_2'])
df_using_mul.sort_index().loc['C_2','street_5']
# df_using_mul.sort_index().index.is_lexsorted()

	School	Gender	Height	Weight	Math	Physics
Address
street_1	S_2	M	175	74	47.2	B-
street_4	S_1	F	176	94	63.5	B-
street_4	S_2	M	155	91	73.8	A+
street_5	S_1	M	188	68	97.0	A-
street_5	S_1	F	162	63	33.8	B
street_5	S_2	M	193	100	39.1	B
street_6	S_1	M	160	53	58.8	A+
street_6	S_1	F	167	63	68.4	B-
street_7	S_2	F	194	77	68.5	B+
street_7	S_2	F	183	76	85.4	B

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_2	street_5	S_1	M	188	68	97.0	A-
	street_5	S_1	F	162	63	33.8	B
	street_5	S_2	M	193	100	39.1	B

#df_using_mul.loc[('C_2','street_5'):] 报错
#当不排序时，不能使用多层切片
df_using_mul.sort_index().loc[('C_2','street_6'):('C_3','street_4')]
#注意此处由于使用了loc，因此仍然包含右端点
df_using_mul.sort_index().loc[('C_2','street_6'):('C_3','street_4')]

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_2	street_6	S_1	M	160	53	58.8	A+
	street_6	S_1	F	167	63	68.4	B-
	street_7	S_2	F	194	77	68.5	B+
	street_7	S_2	F	183	76	85.4	B
C_3	street_1	S_1	F	175	57	87.7	A-
	street_2	S_1	M	195	70	85.2	A
	street_4	S_1	M	161	68	31.5	B+
	street_4	S_2	F	157	78	72.3	B+
	street_4	S_2	M	187	73	48.9	B

df_using_mul.sort_index().loc[('C_2','street_7'):'C_3'].head()
#非元组也是合法的，表示选中该层所有元素
# df_using_mul.sort_index().loc[("C_2",'street_7'):'C_3','School']

Class  Address 
C_2    street_7    S_2
       street_7    S_2
C_3    street_1    S_1
       street_2    S_1
       street_4    S_1
       street_4    S_2
       street_4    S_2
       street_5    S_1
       street_5    S_2
       street_6    S_2
       street_7    S_1
       street_7    S_2
Name: School, dtype: object

（b）第一类特殊情况：由元组构成列表

df_using_mul.sort_index().loc[[('C_2','street_7'),('C_3','street_2')]]
#表示选出某几个元素，精确到最内层索引
# df_using_mul.sort_index().loc[[('C_2','street_7'),('C_3','street_2')],'Math':]

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_2	street_7	S_2	F	194	77	68.5	B+
C_2	street_7	S_2	F	183	76	85.4	B
C_3	street_2	S_1	M	195	70	85.2	A

（c）第二类特殊情况：由列表构成元组

df_using_mul.sort_index().loc[(['C_2','C_3'],['street_4','street_7']),:]
#选出第一层在‘C_2’和'C_3'中且第二层在'street_4'和'street_7'中的行
# df_using_mul.sort_index().loc[(['C_2','C_3'],['street_4','street_7']),:]

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_2	street_4	S_1	F	176	94	63.5	B-
	street_4	S_2	M	155	91	73.8	A+
	street_7	S_2	F	194	77	68.5	B+
	street_7	S_2	F	183	76	85.4	B
C_3	street_4	S_1	M	161	68	31.5	B+
	street_4	S_2	F	157	78	72.3	B+
	street_4	S_2	M	187	73	48.9	B
	street_7	S_1	M	188	82	49.7	B
	street_7	S_2	F	190	99	65.9	C

3. 多层索引中的slice对象

np.random.rand(9,9)

array([[0.00157292, 0.3521813 , 0.57414635, 0.7402888 , 0.04642124,
        0.66619584, 0.92281977, 0.03996369, 0.65053856],
       [0.08477172, 0.88126615, 0.99788337, 0.7568739 , 0.48090064,
        0.80362277, 0.3358786 , 0.37949268, 0.01001926],
       [0.59348037, 0.69988113, 0.17082218, 0.99141101, 0.12301197,
        0.54402624, 0.62715081, 0.31135379, 0.21957649],
       [0.66512945, 0.9106095 , 0.25563962, 0.07774486, 0.88233467,
        0.96112214, 0.94485486, 0.57277522, 0.54257246],
       [0.62443182, 0.20058009, 0.01188025, 0.22773041, 0.00204232,
        0.67665924, 0.32854489, 0.35794382, 0.6500615 ],
       [0.68680186, 0.97791972, 0.21070428, 0.40517635, 0.96220453,
        0.58241295, 0.77434508, 0.01228948, 0.02735097],
       [0.75966199, 0.79494387, 0.45020853, 0.93519435, 0.26549524,
        0.35259274, 0.04451145, 0.65311556, 0.65076007],
       [0.11867561, 0.78091157, 0.82840483, 0.36694628, 0.27188274,
        0.86574978, 0.49296668, 0.6349486 , 0.10321662],
       [0.31004969, 0.9974477 , 0.72932672, 0.84089302, 0.24069463,
        0.88026845, 0.65472614, 0.90057078, 0.94011198]])

L1,L2 = ['A','B','C'],['a','b','c']
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
L3,L4 = ['D','E','F'],['d','e','f']
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=('Big', 'Small'))
df_s = pd.DataFrame(np.random.rand(9,9),index=mul_index1,columns=mul_index2)
df_s



# L1,L2=['A','B','C'],['a','b','c']
# mul_index1=pd.MultiIndex.from_product([L1,L2],names=('Upper','Lower'))
# L3,L4=['D','E','F'],['d','e','f']
# mul_index2=pd.MultiIndex.from_product([L3,L4],names=('Big','Small'))
# df_s=pd.DataFrame(np.random.randn(9,9),index=mul_index1,columns=mul_index2)
# df_s

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	a	0.727690	0.349177	0.462134	0.756151	0.595001	0.854182	0.564885	0.032514	0.584503
	b	0.456652	0.064605	0.162614	0.943543	0.358184	0.320619	0.255107	0.848212	0.608838
	c	0.527055	0.771120	0.354109	0.020767	0.305929	0.062331	0.315193	0.953083	0.354281
B	a	0.810611	0.222145	0.167663	0.398043	0.533769	0.798719	0.942496	0.895687	0.200293
	b	0.914262	0.014343	0.725297	0.145157	0.661077	0.998086	0.986214	0.350872	0.799577
	c	0.657973	0.002625	0.593380	0.782111	0.023865	0.848250	0.163945	0.969662	0.919264
C	a	0.378590	0.826283	0.422204	0.554652	0.843198	0.362767	0.726439	0.425965	0.914429
	b	0.413699	0.189651	0.134559	0.165747	0.348509	0.922714	0.973793	0.348467	0.743193
	c	0.552581	0.273073	0.620954	0.650415	0.235731	0.418648	0.170382	0.526475	0.677653

idx=pd.IndexSlice
idx=pd.IndexSlice

IndexSlice 本质上是对多个Slice对象的包装

idx[1:9:2,'A':'C','start':'end':2]

(slice(1, 9, 2), slice('A', 'C', None), slice('start', 'end', 2))

索引Slice可以与loc一起完成切片操作，主要有两种用法

（a）loc[idx[,]]型

第一个星号表示行，第二个表示列，且使用布尔索引时，需要索引对齐

#例子1
df_s.loc[idx['B':,df_s.iloc[0]>0.6]]
#df_s.loc[idx['B':,df_s.iloc[:,0]>0.6]] #索引没有对齐报错

	Big	D	E
	Small	d	d	f
Upper	Lower
B	a	0.810611	0.398043	0.798719
	b	0.914262	0.145157	0.998086
	c	0.657973	0.782111	0.848250
C	a	0.378590	0.554652	0.362767
	b	0.413699	0.165747	0.922714
	c	0.552581	0.650415	0.418648

#例子2
df_s.loc[idx[df_s.iloc[:,0]>0.6,:('E','f')]]

	Big	D			E
	Small	d	e	f	d	e	f
Upper	Lower
A	a	0.727690	0.349177	0.462134	0.756151	0.595001	0.854182
B	a	0.810611	0.222145	0.167663	0.398043	0.533769	0.798719
	b	0.914262	0.014343	0.725297	0.145157	0.661077	0.998086
	c	0.657973	0.002625	0.593380	0.782111	0.023865	0.848250

（b）loc[idx[,],idx[,]]型

这里与上面的区别在于（a）中的loc是没有逗号隔开的，但（b）是用逗号隔开，前面一个idx表示行索引，后面一个idx为列索引

这种用法非常灵活，因此多举几个例子方便理解

#例子1
df_s.loc[idx['A'],idx['D':]]
#后面的层出现，则前面的层必须出现
#df_s.loc[idx['a'],idx['D':]] #报错

Big	D			E			F
Small	d	e	f	d	e	f	d	e	f
Lower
a	0.727690	0.349177	0.462134	0.756151	0.595001	0.854182	0.564885	0.032514	0.584503
b	0.456652	0.064605	0.162614	0.943543	0.358184	0.320619	0.255107	0.848212	0.608838
c	0.527055	0.771120	0.354109	0.020767	0.305929	0.062331	0.315193	0.953083	0.354281

#例子2
df_s.loc[idx[:'B','b':],:] #举这个例子是为了说明①可以在相应level使用切片②某一个idx可以用:代替表示全选

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	b	0.456652	0.064605	0.162614	0.943543	0.358184	0.320619	0.255107	0.848212	0.608838
A	c	0.527055	0.771120	0.354109	0.020767	0.305929	0.062331	0.315193	0.953083	0.354281
B	b	0.914262	0.014343	0.725297	0.145157	0.661077	0.998086	0.986214	0.350872	0.799577
B	c	0.657973	0.002625	0.593380	0.782111	0.023865	0.848250	0.163945	0.969662	0.919264

#例子3
df_s.iloc[:,0]>0.6

Upper  Lower
A      a         True
       b        False
       c        False
B      a         True
       b         True
       c         True
C      a        False
       b        False
       c        False
Name: (D, d), dtype: bool

df_s.loc[idx[:'B',df_s.iloc[:,0]>0.6],:] #这个例子表示相应位置还可以使用布尔索引

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	a	0.727690	0.349177	0.462134	0.756151	0.595001	0.854182	0.564885	0.032514	0.584503
B	a	0.810611	0.222145	0.167663	0.398043	0.533769	0.798719	0.942496	0.895687	0.200293
	b	0.914262	0.014343	0.725297	0.145157	0.661077	0.998086	0.986214	0.350872	0.799577
	c	0.657973	0.002625	0.593380	0.782111	0.023865	0.848250	0.163945	0.969662	0.919264

L1,L2 = ['A','B'],['a','b','c']
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
L3,L4 = ['D','E','F'],['d','e','f']
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=('Big', 'Small'))
df_s = pd.DataFrame(np.random.rand(6,9),index=mul_index1,columns=mul_index2)
df_s

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	a	0.582610	0.641514	0.560705	0.910591	0.599434	0.208767	0.515083	0.884898	0.403068
	b	0.294533	0.924421	0.124904	0.880993	0.002462	0.785282	0.519103	0.719144	0.867035
	c	0.904616	0.315742	0.313072	0.376997	0.474177	0.317675	0.591629	0.857103	0.345019
B	a	0.372711	0.389083	0.756115	0.504690	0.380259	0.743078	0.235606	0.477790	0.864240
	b	0.381907	0.088245	0.858773	0.801386	0.140712	0.363459	0.582477	0.592419	0.935077
	c	0.764331	0.021464	0.543272	0.819539	0.334704	0.771924	0.766925	0.054824	0.016175

#例子4
#特别要注意，（b）中的布尔索引是可以索引不对齐的，只需要长度一样，比如下面这个例子
df_s.loc[idx[:'B',(df_s.iloc[0]>0.6)[:6]],:]

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	b	0.294533	0.924421	0.124904	0.880993	0.002462	0.785282	0.519103	0.719144	0.867035
B	a	0.372711	0.389083	0.756115	0.504690	0.380259	0.743078	0.235606	0.477790	0.864240

#例子5
df_s.loc[idx[:'B','c':,(df_s.iloc[:,0]>0.6)],:]
#idx中层数k1大于df层数k2时，idx前k2个参数若相应位置是元素或者元素切片，则表示相应df层的元素筛选，同时也可以选择用同长度bool序列
#idx后面多出来的参数只能选择同bool序列，这样设计的目的是可以将元素筛选和条件筛选同时运用

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	c	0.904616	0.315742	0.313072	0.376997	0.474177	0.317675	0.591629	0.857103	0.345019
B	c	0.764331	0.021464	0.543272	0.819539	0.334704	0.771924	0.766925	0.054824	0.016175

#例子6
df_s.loc[idx[:'B',(df_s.iloc[:,0]>0.6),(df_s.iloc[:,0]>0.6)],:] #这个就不是元素筛选而是条件筛选
#df_s.loc[idx[:'B',(df_s.iloc[:,0]>0.6),'c',:]] #报错
#df_s.loc[idx[:'c','B',(df_s.iloc[:,0]>0.6),:]] #报错

	Big	D			E			F
	Small	d	e	f	d	e	f	d	e	f
Upper	Lower
A	c	0.904616	0.315742	0.313072	0.376997	0.474177	0.317675	0.591629	0.857103	0.345019
B	c	0.764331	0.021464	0.543272	0.819539	0.334704	0.771924	0.766925	0.054824	0.016175

索引Slice的使用非常灵活：

loc加逗号，idx索引不对齐（loc不加都好，idx索引对齐）注意！

加逗号的时候，前面的idx表示行，后面idx的表示列

不加逗号的时候，idx里面前面的表示行，后面的表示列而且要索引对齐

display(df_s.loc[idx['B':,df_s['D']['d']>0.3],idx[df_s.sum()>4]])#
#df_s.sum()默认为对列求和，因此返回一个长度为9的数值列表
# type(df_s.sum())
#df_s.loc['B':,idx[df_s['D']['d']>0.5]]#,idx[df_s.sum()>4]
display(df_s['D']['d']>0.3)
display(df_s.sum()>4)
# display(df_s.loc[idx['B':,df_s['D']['d']>0.3],idx[df_s.sum()>4]])#
a=df_s['D']['d']>0.3
df_s.loc[idx['B':,df_s.sum()>4]]
#df_s.loc[idx['B':,df_s['D']['d']>0.3]]#索引没对齐所以报错

	Big	D	E		F
	Small	d	d	f	d	e	f
Upper	Lower
B	a	0.810611	0.398043	0.798719	0.942496	0.895687	0.200293
	b	0.914262	0.145157	0.998086	0.986214	0.350872	0.799577
	c	0.657973	0.782111	0.848250	0.163945	0.969662	0.919264
C	a	0.378590	0.554652	0.362767	0.726439	0.425965	0.914429
	b	0.413699	0.165747	0.922714	0.973793	0.348467	0.743193
	c	0.552581	0.650415	0.418648	0.170382	0.526475	0.677653

Upper  Lower
A      a        True
       b        True
       c        True
B      a        True
       b        True
       c        True
C      a        True
       b        True
       c        True
Name: d, dtype: bool



Big  Small
D    d         True
     e        False
     f        False
E    d         True
     e        False
     f         True
F    d         True
     e         True
     f         True
dtype: bool

	Big	D	E		F
	Small	d	d	f	d	e	f
Upper	Lower
B	a	0.810611	0.398043	0.798719	0.942496	0.895687	0.200293
	b	0.914262	0.145157	0.998086	0.986214	0.350872	0.799577
	c	0.657973	0.782111	0.848250	0.163945	0.969662	0.919264
C	a	0.378590	0.554652	0.362767	0.726439	0.425965	0.914429
	b	0.413699	0.165747	0.922714	0.973793	0.348467	0.743193
	c	0.552581	0.650415	0.418648	0.170382	0.526475	0.677653

4. 索引层的交换

（a）swaplevel方法（两层交换）

df_using_mul.head()

		School	Gender	Height	Weight	Math	Physics
Class	Address
C_1	street_1	S_1	M	173	63	34.0	A+
	street_2	S_1	F	192	73	32.5	B+
	street_2	S_1	M	186	82	87.2	B+
	street_2	S_1	F	167	81	80.4	B-
	street_4	S_1	F	159	64	84.8	B+

df_using_mul.swaplevel(i=1,j=0,axis=0).sort_index().head()
df_using_mul.swaplevel(i=1,j=0,axis=0).sort_index().head()

		School	Gender	Height	Weight	Math	Physics
Address	Class
street_1	C_1	S_1	M	173	63	34.0	A+
	C_2	S_2	M	175	74	47.2	B-
	C_3	S_1	F	175	57	87.7	A-
street_2	C_1	S_1	F	192	73	32.5	B+
street_2	C_1	S_1	M	186	82	87.2	B+

（b）reorder_levels方法（多层交换）

df_muls = df.set_index(['School','Class','Address'])
df_muls.head()
df_mul=df.set_index(['Physics','School','Class'])
df_mul.head()

			Gender	Address	Height	Weight	Math
Physics	School	Class
A+	S_1	C_1	M	street_1	173	63	34.0
B+	S_1	C_1	F	street_2	192	73	32.5
B+	S_1	C_1	M	street_2	186	82	87.2
B-	S_1	C_1	F	street_2	167	81	80.4
B+	S_1	C_1	F	street_4	159	64	84.8

df_muls.reorder_levels([2,0,1],axis=0).sort_index().head()
df_mul.reorder_levels([1,2,0],axis=0).sort_index().head()

			Gender	Address	Height	Weight	Math
School	Class	Physics
S_1	C_1	A+	M	street_1	173	63	34.0
		B+	F	street_2	192	73	32.5
		B+	M	street_2	186	82	87.2
		B+	F	street_4	159	64	84.8
		B-	F	street_2	167	81	80.4

#如果索引有name，可以直接使用name
df_muls.reorder_levels(['Address','School','Class'],axis=0).sort_index().head()
df_mul.reorder_levels(['School','Class','Physics'],axis=0).sort_index().head()

			Gender	Address	Height	Weight	Math
School	Class	Physics
S_1	C_1	A+	M	street_1	173	63	34.0
		B+	F	street_2	192	73	32.5
		B+	M	street_2	186	82	87.2
		B+	F	street_4	159	64	84.8
		B-	F	street_2	167	81	80.4

三、索引设定

1. index_col参数

index_col是read_csv中的一个参数，而不是某一个方法：

pd.read_csv('data/table.csv',index_col=['Address','School']).head()
pd.read_csv('data/table.csv',index_col=['Address','School']).head()

		Class	ID	Gender	Height	Weight	Math	Physics
Address	School
street_1	S_1	C_1	1101	M	173	63	34.0	A+
street_2	S_1	C_1	1102	F	192	73	32.5	B+
	S_1	C_1	1103	M	186	82	87.2	B+
	S_1	C_1	1104	F	167	81	80.4	B-
street_4	S_1	C_1	1105	F	159	64	84.8	B+

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

df
# df[df['ID']==1106]
# df['ID']
#df.info()
df.loc[1105:2402]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1105	S_1	C_1	F	street_4	159	64	84.8	B+
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1202	S_1	C_2	F	street_4	176	94	63.5	B-
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1204	S_1	C_2	F	street_5	162	63	33.8	B
1205	S_1	C_2	F	street_6	167	63	68.4	B-
1301	S_1	C_3	M	street_4	161	68	31.5	B+
1302	S_1	C_3	F	street_1	175	57	87.7	A-
1303	S_1	C_3	M	street_7	188	82	49.7	B
1304	S_1	C_3	M	street_2	195	70	85.2	A
1305	S_1	C_3	F	street_5	187	69	61.7	B-
2101	S_2	C_1	M	street_7	174	84	83.3	C
2102	S_2	C_1	F	street_6	161	61	50.6	B+
2103	S_2	C_1	M	street_4	157	61	52.5	B-
2104	S_2	C_1	F	street_5	159	97	72.2	B+
2105	S_2	C_1	M	street_4	170	81	34.2	A
2201	S_2	C_2	M	street_5	193	100	39.1	B
2202	S_2	C_2	F	street_7	194	77	68.5	B+
2203	S_2	C_2	M	street_4	155	91	73.8	A+
2204	S_2	C_2	M	street_1	175	74	47.2	B-
2205	S_2	C_2	F	street_7	183	76	85.4	B
2301	S_2	C_3	F	street_4	157	78	72.3	B+
2302	S_2	C_3	M	street_5	171	88	32.7	A
2303	S_2	C_3	F	street_7	190	99	65.9	C
2304	S_2	C_3	F	street_6	164	81	95.5	A-
2305	S_2	C_3	M	street_4	187	73	48.9	B
2401	S_2	C_4	F	street_2	192	62	45.3	A
2402	S_2	C_4	M	street_7	166	82	48.7	B

df.reindex(index=[1101,1203,1206,2402])
df.reindex(index=[1101,1203,1205,2402])

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1205	S_1	C_2	F	street_6	167	63	68.4	B-
2402	S_2	C_4	M	street_7	166	82	48.7	B

df.reindex(columns=['Height','Gender','Average']).head()
df.reindex(columns=['Height','Gender','Avergae']).head()

	Height	Gender	Avergae
ID
1101	173	M	NaN
1102	192	F	NaN
1103	186	M	NaN
1104	167	F	NaN
1105	159	F	NaN

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

a=df.reindex(index=[1101,1203,1206,2402],method='bfill')
#bfill表示用所在索引1206的后一个有效行填充，ffill为前一个有效行，nearest是指最近的
display(a.index.is_monotonic)#判断索引是否单调(单级索引的时候用is_monotonic,多级索引用is_lexsorted)
# type(a)
display(a.sort_index().index.is_monotonic)
a

True



True

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1206	S_1	C_3	M	street_4	161	68	31.5	B+
2402	S_2	C_4	M	street_7	166	82	48.7	B

df.reindex(index=[1101,1203,1206,2402],method='nearest')
df.reindex(index=[1101,1203,1206,2402],method='nearest')
#数值上1205比1301更接近1206，因此用前者填充

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1206	S_1	C_2	F	street_6	167	63	68.4	B-
2402	S_2	C_4	M	street_7	166	82	48.7	B

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

df_temp = pd.DataFrame({'Weight':np.zeros(5),
                        'Height':np.zeros(5),
                        'ID':[1101,1104,1103,1106,1102]}).set_index('ID')
df_temp.reindex_like(df[0:5][['Weight','Height']])


df_temp1=pd.DataFrame({'Weight':np.zeros(5),
                     'Height':np.zeros(5),
                     'ID':[1101,1104,1103,1106,1102]}).set_index('ID')
display(df_temp1)
display(df[0:5][['Weight','Height']])
df_temp1.reindex_like(df[0:5][['Weight','Height']])

	Weight	Height
ID
1101	0.0	0.0
1104	0.0	0.0
1103	0.0	0.0
1106	0.0	0.0
1102	0.0	0.0

	Weight	Height
ID
1101	63	173
1102	73	192
1103	82	186
1104	81	167
1105	64	159

	Weight	Height
ID
1101	0.0	0.0
1102	0.0	0.0
1103	0.0	0.0
1104	0.0	0.0
1105	NaN	NaN

如果df_temp单调还可以使用method参数：

df_temp = pd.DataFrame({'Weight':range(5),
                        'Height':range(5),
                        'ID':[1101,1104,1103,1106,1102]}).set_index('ID').sort_index()
df_temp.reindex_like(df[0:5][['Weight','Height']],method='bfill')
#可以自行检验这里的1105的值是否是由bfill规则填充

df_temp=pd.DataFrame({'Weight':range(5),
                     'Height':range(5),
                     'ID':[1101,1104,1103,1106,1102]}).set_index('ID').sort_index()
df_temp.reindex_like(df[:5][['Weight','Height']],method='bfill')

	Weight	Height
ID
1101	0	0
1102	4	4
1103	2	2
1104	1	1
1105	3	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：

df.head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

df.set_index('Class').head()
df.set_index('Class').head()

	School	Gender	Address	Height	Weight	Math	Physics
Class
C_1	S_1	M	street_1	173	63	34.0	A+
C_1	S_1	F	street_2	192	73	32.5	B+
C_1	S_1	M	street_2	186	82	87.2	B+
C_1	S_1	F	street_2	167	81	80.4	B-
C_1	S_1	F	street_4	159	64	84.8	B+

利用append参数可以将当前索引维持不变

df.set_index('Class',append=True).head()
df.set_index('Class',append=True).head()

		School	Gender	Address	Height	Weight	Math	Physics
ID	Class
1101	C_1	S_1	M	street_1	173	63	34.0	A+
1102	C_1	S_1	F	street_2	192	73	32.5	B+
1103	C_1	S_1	M	street_2	186	82	87.2	B+
1104	C_1	S_1	F	street_2	167	81	80.4	B-
1105	C_1	S_1	F	street_4	159	64	84.8	B+

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）：

df.set_index(pd.Series(range(df.shape[0]))).head()
df.set_index(pd.Series(range(df.shape[0]))).head()
# df.reset_index().head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
0	S_1	C_1	M	street_1	173	63	34.0	A+
1	S_1	C_1	F	street_2	192	73	32.5	B+
2	S_1	C_1	M	street_2	186	82	87.2	B+
3	S_1	C_1	F	street_2	167	81	80.4	B-
4	S_1	C_1	F	street_4	159	64	84.8	B+

可以直接添加多级索引：

df.set_index([pd.Series(range(df.shape[0])),pd.Series(np.ones(df.shape[0]))]).head()
df.set_index([pd.Series(range(df.shape[0])),pd.Series(np.ones(df.shape[0]))]).head()

		School	Class	Gender	Address	Height	Weight	Math	Physics
0	1.0	S_1	C_1	M	street_1	173	63	34.0	A+
1	1.0	S_1	C_1	F	street_2	192	73	32.5	B+
2	1.0	S_1	C_1	M	street_2	186	82	87.2	B+
3	1.0	S_1	C_1	F	street_2	167	81	80.4	B-
4	1.0	S_1	C_1	F	street_4	159	64	84.8	B+

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：

df.reset_index().head()
df.reset_index().head()

	ID	School	Class	Gender	Address	Height	Weight	Math	Physics
0	1101	S_1	C_1	M	street_1	173	63	34.0	A+
1	1102	S_1	C_1	F	street_2	192	73	32.5	B+
2	1103	S_1	C_1	M	street_2	186	82	87.2	B+
3	1104	S_1	C_1	F	street_2	167	81	80.4	B-
4	1105	S_1	C_1	F	street_4	159	64	84.8	B+

用level参数指定哪一层被reset，用col_level参数指定set到哪一层：

L1,L2 = ['A','B','C'],['a','b','c']
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
L3,L4 = ['D','E','F'],['d','e','f']
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=('Big', 'Small'))
df_temp = pd.DataFrame(np.random.rand(9,9),index=mul_index1,columns=mul_index2)
df_temp.head()

# L1,L2=['A','B','C'],['a','b','c']
# mul_index1=pd.MultiIndex.from_product([L1,L2],names=['Upper','Lower'])
# L3,L4=['D','E','F'],['d','e','f']
# mul_index2=pd.MultiIndex.from_product([L1,L2],names=('Big','Small'))
# df_temp=pd.DataFrame(np.random.rand(9,9),index=mul_index1,columns=mul_index2)
# df_temp.head()

	Big	A			B			C
	Small	a	b	c	a	b	c	a	b	c
Upper	Lower
A	a	0.779649	0.850942	0.498576	0.384237	0.070980	0.154522	0.029674	0.566804	0.607491
	b	0.192239	0.861111	0.473844	0.375134	0.071124	0.954574	0.811846	0.130554	0.621900
	c	0.241607	0.969242	0.425643	0.745032	0.400758	0.316587	0.510980	0.099285	0.442423
B	a	0.152618	0.079949	0.427708	0.091412	0.050334	0.504813	0.562932	0.033970	0.098759
B	b	0.722760	0.914694	0.061265	0.946915	0.699833	0.858146	0.235059	0.637032	0.672221

df_temp1 = df_temp.reset_index(level=1,col_level=1)
display(df_temp1.head())


df_temp2=df_temp.reset_index(level=1,col_level=0)
display(df_temp2.head())

Big		A			B			C
Small	Lower	a	b	c	a	b	c	a	b	c
Upper
A	a	0.779649	0.850942	0.498576	0.384237	0.070980	0.154522	0.029674	0.566804	0.607491
A	b	0.192239	0.861111	0.473844	0.375134	0.071124	0.954574	0.811846	0.130554	0.621900
A	c	0.241607	0.969242	0.425643	0.745032	0.400758	0.316587	0.510980	0.099285	0.442423
B	a	0.152618	0.079949	0.427708	0.091412	0.050334	0.504813	0.562932	0.033970	0.098759
B	b	0.722760	0.914694	0.061265	0.946915	0.699833	0.858146	0.235059	0.637032	0.672221

Big	Lower	A			B			C
Small		a	b	c	a	b	c	a	b	c
Upper
A	a	0.779649	0.850942	0.498576	0.384237	0.070980	0.154522	0.029674	0.566804	0.607491
A	b	0.192239	0.861111	0.473844	0.375134	0.071124	0.954574	0.811846	0.130554	0.621900
A	c	0.241607	0.969242	0.425643	0.745032	0.400758	0.316587	0.510980	0.099285	0.442423
B	a	0.152618	0.079949	0.427708	0.091412	0.050334	0.504813	0.562932	0.033970	0.098759
B	b	0.722760	0.914694	0.061265	0.946915	0.699833	0.858146	0.235059	0.637032	0.672221

display(df_temp1.columns)
#看到的确插入了level2
display(df_temp2.columns)

MultiIndex([( '', 'Lower'),
            ('A',     'a'),
            ('A',     'b'),
            ('A',     'c'),
            ('B',     'a'),
            ('B',     'b'),
            ('B',     'c'),
            ('C',     'a'),
            ('C',     'b'),
            ('C',     'c')],
           names=['Big', 'Small'])



MultiIndex([('Lower',  ''),
            (    'A', 'a'),
            (    'A', 'b'),
            (    'A', 'c'),
            (    'B', 'a'),
            (    'B', 'b'),
            (    'B', 'c'),
            (    'C', 'a'),
            (    'C', 'b'),
            (    'C', 'c')],
           names=['Big', 'Small'])

df_temp1.index
#最内层索引被移出
# df_temp.index
df_temp1.index

Index(['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C'], dtype='object', name='Upper')

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

df_temp.rename_axis(index={'Lower':'LowerLower'},columns={'Big':'BigBig'})
df_temp.rename_axis(index={'Lower':'LowerLower'},columns={'Big':'BigBig'})

	BigBig	A			B			C
	Small	a	b	c	a	b	c	a	b	c
Upper	LowerLower
A	a	0.779649	0.850942	0.498576	0.384237	0.070980	0.154522	0.029674	0.566804	0.607491
	b	0.192239	0.861111	0.473844	0.375134	0.071124	0.954574	0.811846	0.130554	0.621900
	c	0.241607	0.969242	0.425643	0.745032	0.400758	0.316587	0.510980	0.099285	0.442423
B	a	0.152618	0.079949	0.427708	0.091412	0.050334	0.504813	0.562932	0.033970	0.098759
	b	0.722760	0.914694	0.061265	0.946915	0.699833	0.858146	0.235059	0.637032	0.672221
	c	0.300491	0.622385	0.441322	0.039829	0.643909	0.055289	0.783965	0.311105	0.030763
C	a	0.203551	0.101941	0.954500	0.845587	0.690844	0.801937	0.290936	0.780660	0.475275
	b	0.320449	0.726794	0.613314	0.827977	0.646678	0.059252	0.422571	0.942435	0.692632
	c	0.511147	0.142134	0.861073	0.667099	0.307494	0.327941	0.858620	0.464931	0.394346

rename方法用于修改列或者行索引标签，而不是索引名：

df_temp.rename(index={'A':'T'},columns={'e':'changed_e'}).head()
df_temp.rename(index={'A':'T'},columns={'e':'changed_e'}).head()

	Big	A			B			C
	Small	a	b	c	a	b	c	a	b	c
Upper	Lower
T	a	0.779649	0.850942	0.498576	0.384237	0.070980	0.154522	0.029674	0.566804	0.607491
	b	0.192239	0.861111	0.473844	0.375134	0.071124	0.954574	0.811846	0.130554	0.621900
	c	0.241607	0.969242	0.425643	0.745032	0.400758	0.316587	0.510980	0.099285	0.442423
B	a	0.152618	0.079949	0.427708	0.091412	0.050334	0.504813	0.562932	0.033970	0.098759
B	b	0.722760	0.914694	0.061265	0.946915	0.699833	0.858146	0.235059	0.637032	0.672221

四、常用索引型函数

1. where函数

当对条件为False的单元进行填充：

df.head()
df.head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

df.where(df['Gender']=='M').head()
#不满足条件的行全部被设置为NaN
df.where(df['Gender']=='M').head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173.0	63.0	34.0	A+
1102	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1103	S_1	C_1	M	street_2	186.0	82.0	87.2	B+
1104	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1105	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

通过这种方法筛选结果和[]操作符的结果完全一致：

df.where(df['Gender']=='M').dropna().head()
df.where(df['Gender']=='M').dropna().head()
df[df['Gender']=='M'].head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1203	S_1	C_2	M	street_6	160	53	58.8	A+
1301	S_1	C_3	M	street_4	161	68	31.5	B+

第一个参数为布尔条件，第二个参数为填充值：

a=np.random.rand(df.shape[0],df.shape[1])
print(a)
df.where(df['Gender']=='M',a).head()

[[0.7161581  0.10276669 0.40238542 0.08958898 0.81354208 0.93618131
  0.07624998 0.76951042]
 [0.5989863  0.33505363 0.02580452 0.97710051 0.66610509 0.87578929
  0.10579943 0.32587477]
 [0.72323026 0.54804755 0.6574625  0.29000164 0.56393993 0.60193394
  0.13987508 0.66423202]
 [0.18904524 0.72877605 0.6523432  0.36142768 0.69567451 0.39747439
  0.30469684 0.37125112]
 [0.00551586 0.88153884 0.54566294 0.97107711 0.48850192 0.10998194
  0.90682808 0.41378463]
 [0.50033165 0.7738362  0.40988636 0.5300674  0.48312333 0.8504542
  0.04959469 0.09917488]
 [0.02734842 0.96474427 0.2802373  0.51467892 0.28559232 0.31821509
  0.66709526 0.27763044]
 [0.51644131 0.32083044 0.64969486 0.89021328 0.67345517 0.04336458
  0.09367256 0.75744686]
 [0.22493445 0.00813298 0.22216915 0.86470618 0.43776919 0.28244148
  0.30980727 0.58315116]
 [0.48258786 0.84567059 0.69134007 0.34076216 0.62695586 0.63140201
  0.84808381 0.37466675]
 [0.56076384 0.58164287 0.46504719 0.47365642 0.19272048 0.58133442
  0.24137399 0.05412933]
 [0.86008694 0.47449294 0.99349784 0.41395056 0.21880338 0.57870774
  0.08266912 0.61736266]
 [0.92363794 0.65247997 0.23419656 0.49394314 0.39020457 0.9076912
  0.1787334  0.44567342]
 [0.75460692 0.87818376 0.9506545  0.0726399  0.19348714 0.99663363
  0.15222477 0.45247023]
 [0.61724088 0.93745891 0.27255907 0.39972334 0.426046   0.32858071
  0.76331933 0.89152397]
 [0.34580174 0.80287412 0.43827906 0.80077107 0.04982336 0.20480553
  0.76536398 0.96840615]
 [0.46040455 0.75916605 0.07480359 0.22483045 0.51732291 0.38761611
  0.89792331 0.21509696]
 [0.06037899 0.54175144 0.69026867 0.37691624 0.63080779 0.47401334
  0.29484837 0.60367724]
 [0.51877573 0.13529959 0.03847122 0.56332936 0.43954205 0.14320149
  0.53932022 0.94058724]
 [0.48122222 0.70688747 0.33347702 0.22922328 0.63617473 0.12761284
  0.01558933 0.42228307]
 [0.30437386 0.97890045 0.87982765 0.43573368 0.96842477 0.7905138
  0.78644784 0.65063758]
 [0.82491619 0.84071325 0.45118883 0.52083531 0.61488637 0.61067191
  0.49898609 0.28876092]
 [0.22509524 0.28846881 0.46573631 0.47336345 0.92948157 0.77863736
  0.39102284 0.50983845]
 [0.52390029 0.09511125 0.37396754 0.90084271 0.68217899 0.64254994
  0.74261885 0.58969606]
 [0.16566242 0.07908791 0.75588982 0.57909687 0.73887746 0.10960639
  0.27713074 0.41753722]
 [0.07614926 0.10933826 0.94807557 0.29773441 0.01351866 0.39391314
  0.22296291 0.38958623]
 [0.01210252 0.1967451  0.80815367 0.17967125 0.54335179 0.8655415
  0.07346332 0.69454703]
 [0.5345165  0.16660525 0.40307645 0.52590277 0.86212669 0.03425073
  0.65680325 0.14333681]
 [0.58388521 0.58904123 0.47712613 0.27945041 0.06372401 0.75644174
  0.14670172 0.5711495 ]
 [0.43603091 0.2733335  0.10495188 0.67239001 0.57908462 0.15874856
  0.42475036 0.90589905]
 [0.8144674  0.9944558  0.68966555 0.09715326 0.24935761 0.95897933
  0.30676529 0.31195192]
 [0.64092077 0.27853017 0.76853506 0.37189139 0.57513649 0.7483777
  0.66384054 0.19440796]
 [0.87374265 0.19244049 0.52948927 0.91302972 0.45222102 0.08765404
  0.12991008 0.50151027]
 [0.17282369 0.57290435 0.48890098 0.94771301 0.12483773 0.10294902
  0.2430428  0.92204093]
 [0.47430317 0.49779933 0.68934569 0.7553649  0.82349556 0.96427937
  0.17411753 0.8015759 ]]

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173.000000	63.000000	34.000000	A+
1102	0.598986	0.335054	0.0258045	0.977101	0.666105	0.875789	0.105799	0.325875
1103	S_1	C_1	M	street_2	186.000000	82.000000	87.200000	B+
1104	0.189045	0.728776	0.652343	0.361428	0.695675	0.397474	0.304697	0.371251
1105	0.00551586	0.881539	0.545663	0.971077	0.488502	0.109982	0.906828	0.413785

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

df.mask(df['Gender']=='M').dropna().head()
df.mask(df['Gender']=='M').dropna().head()
df[df["Gender"]!='M'].head()
df.where(df['Gender']!='M').dropna().head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192.0	73.0	32.5	B+
1104	S_1	C_1	F	street_2	167.0	81.0	80.4	B-
1105	S_1	C_1	F	street_4	159.0	64.0	84.8	B+
1202	S_1	C_2	F	street_4	176.0	94.0	63.5	B-
1204	S_1	C_2	F	street_5	162.0	63.0	33.8	B

df.mask(df['Gender']=='M',np.random.rand(df.shape[0],df.shape[1])).head()
df.mask(df['Gender']=='M',np.random.rand(df.shape[0],df.shape[1])).head()
df.where(df['Gender']!='M',np.random.rand(df.shape[0],df.shape[1])).head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	0.0524246	0.778497	0.906421	0.693452	0.196364	0.155836	0.594141	0.337383
1102	S_1	C_1	F	street_2	192.000000	73.000000	32.500000	B+
1103	0.848831	0.444878	0.914591	0.36934	0.332417	0.605245	0.649709	0.613518
1104	S_1	C_1	F	street_2	167.000000	81.000000	80.400000	B-
1105	S_1	C_1	F	street_4	159.000000	64.000000	84.800000	B+

3. query函数

df.head()
df.head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1103	S_1	C_1	M	street_2	186	82	87.2	B+
1104	S_1	C_1	F	street_2	167	81	80.4	B-
1105	S_1	C_1	F	street_4	159	64	84.8	B+

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

# df.query('(Address in ["street_6","street_7"])&(Weight>(70+10))&(ID in [1303,2304,2402])')
df.query('(Address in ["street_6","street_7"])&(Weight>(70+10))&(ID in [1303,2304,2402])')

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1303	S_1	C_3	M	street_7	188	82	49.7	B
2304	S_2	C_3	F	street_6	164	81	95.5	A-
2402	S_2	C_4	M	street_7	166	82	48.7	B

五、重复元素处理

1. duplicated方法

该方法返回了是否重复的布尔列表

df.duplicated('Class').head()
df.duplicated('Class').head()

ID
1101    False
1102     True
1103     True
1104     True
1105     True
dtype: bool

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True

df.duplicated('Class',keep='last').tail()
df.duplicate('Class',keep='last').tail()

ID
2401     True
2402     True
2403     True
2404     True
2405    False
dtype: bool

df.duplicated('Class',keep=False).head()
df.duplicated('Class',keep=False ).tail()

ID
2401    True
2402    True
2403    True
2404    True
2405    True
dtype: bool

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：

df.drop_duplicates('Class')
df.drop_duplicates('Class')

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1301	S_1	C_3	M	street_4	161	68	31.5	B+
2401	S_2	C_4	F	street_2	192	62	45.3	A

参数与duplicate函数类似：

df.drop_duplicates('Class',keep='last')
df.drop_duplicates('Class',keep='last')

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
2105	S_2	C_1	M	street_4	170	81	34.2	A
2205	S_2	C_2	F	street_7	183	76	85.4	B
2305	S_2	C_3	M	street_4	187	73	48.9	B
2405	S_2	C_4	F	street_6	193	54	47.6	B

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：

df.drop_duplicates(['School','Class'])
df.drop_duplicates(['School','Class'])

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1101	S_1	C_1	M	street_1	173	63	34.0	A+
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1301	S_1	C_3	M	street_4	161	68	31.5	B+
2101	S_2	C_1	M	street_7	174	84	83.3	C
2201	S_2	C_2	M	street_5	193	100	39.1	B
2301	S_2	C_3	F	street_4	157	78	72.3	B+
2401	S_2	C_4	F	street_2	192	62	45.3	A

六、抽样函数

这里的抽样函数指的就是sample函数

（a）n为样本量

df.sample(n=5)
df.sample(n=5)

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1102	S_1	C_1	F	street_2	192	73	32.5	B+
1201	S_1	C_2	M	street_5	188	68	97.0	A-
1101	S_1	C_1	M	street_1	173	63	34.0	A+
2204	S_2	C_2	M	street_1	175	74	47.2	B-
2405	S_2	C_4	F	street_6	193	54	47.6	B

（b）frac为抽样比

df.sample(frac=0.05)
df.sample(frac=0.05)

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1105	S_1	C_1	F	street_4	159	64	84.8	B+
2402	S_2	C_4	M	street_7	166	82	48.7	B

（c）replace为是否放回

df.sample(n=df.shape[0],replace=True).head()
df.sample(n=df.shape[0],replace=True).head()

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
2402	S_2	C_4	M	street_7	166	82	48.7	B
2101	S_2	C_1	M	street_7	174	84	83.3	C
2302	S_2	C_3	M	street_5	171	88	32.7	A
2401	S_2	C_4	F	street_2	192	62	45.3	A
2405	S_2	C_4	F	street_6	193	54	47.6	B

df.sample(n=35,replace=True).index.is_unique
df.sample(n=35,replace=True).index.is_unique

False

（d）axis为抽样维度，默认为0，即抽行

df.sample(n=3,axis=1).head()
df.sample(n=3,axis=1).head()

	Math	Weight	School
ID
1101	34.0	63	S_1
1102	32.5	73	S_1
1103	87.2	82	S_1
1104	80.4	81	S_1
1105	84.8	64	S_1

（e）weights为样本权重，自动归一化

就是比如五个样本，权重分别是1 2 3 4 5
那个抽到的概率就是1/15 2/15 3/15，…
pandas这个sample的weight参数提供语法糖，只要你给1 2 3 4 5的绝对量，自动会把你输入转成归一化之后的概率进行抽样

df.sample(n=3,weights=np.random.rand(df.shape[0])).head()
df.sample(n=3,weights=list(range(df.shape[0]))).head()
# list(range(5))
# np.random.rand(df.shape[0])

array([0.42302361, 0.48301209, 0.07106683, 0.20566321, 0.04810366,
       0.24624529, 0.68941873, 0.3931274 , 0.86344223, 0.5209619 ,
       0.70827892, 0.60694938, 0.55769355, 0.8964586 , 0.58146323,
       0.32480769, 0.40078874, 0.24710269, 0.13704178, 0.23662958,
       0.289439  , 0.08274463, 0.1015726 , 0.3779845 , 0.76932914,
       0.69591814, 0.08994818, 0.87528269, 0.24571314, 0.0634573 ,
       0.81463873, 0.67125488, 0.65952737, 0.34445748, 0.72742361])

,#以某一列为权重，这在抽样理论中很常见
#抽到的概率与Math数值成正比
df.sample(n=3,weights=df['Math']).head(),

	School	Class	Gender	Address	Height	Weight	Math	Physics
ID
1305	S_1	C_3	F	street_5	187	69	61.7	B-
2103	S_2	C_1	M	street_4	157	61	52.5	B-
2105	S_2	C_1	M	street_4	170	81	34.2	A

七、问题与练习

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？

df=pd.read_csv('data/UFO.csv')
df.head()

	datetime	shape	duration (seconds)	latitude	longitude
0	10/10/1949 20:30	cylinder	2700.0	29.883056	-97.941111
1	10/10/1949 21:00	light	7200.0	29.384210	-98.581082
2	10/10/1955 17:00	circle	20.0	53.200000	-2.916667
3	10/10/1956 21:00	circle	20.0	28.978333	-96.645833
4	10/10/1960 20:00	light	900.0	21.418056	-157.803611

2. 练习

【练习一】现有一份关于UFO的数据集，请解决下列问题：

pd.read_csv('data/UFO.csv').head()

	datetime	shape	duration (seconds)	latitude	longitude
0	10/10/1949 20:30	cylinder	2700.0	29.883056	-97.941111
1	10/10/1949 21:00	light	7200.0	29.384210	-98.581082
2	10/10/1955 17:00	circle	20.0	53.200000	-2.916667
3	10/10/1956 21:00	circle	20.0	28.978333	-96.645833
4	10/10/1960 20:00	light	900.0	21.418056	-157.803611

（a）在所有被观测时间超过60s的时间中，哪个形状最多？

（b）对经纬度进行划分：-180°至180°以30°为一个划分，-90°至90°以18°为一个划分，请问哪个区域中报告的UFO事件数量最多？

(a)

df=pd.read_csv('data/UFO.csv')
df.rename(columns={'duration (seconds)':'duration'},inplace=True)
df.head()
df['duration'].astype('float')
df.query('duration>60')['shape'].value_counts().nlargest(1)

light    10713
Name: shape, dtype: int64

(b)

bins_long=list(range(-180,180,13))
bins_la=list(range(-90,90,18))
cuts_long=pd.cut(df['longitude'],bins=bins_long)
df['cuts_long']=cuts_long
cuts_la=pd.cut(df['latitude'],bins=bins_la)
df['cuts_la']=cuts_la
df.head()

	datetime	shape	duration	latitude	longitude	cuts_long	cuts_la
0	10/10/1949 20:30	cylinder	2700.0	29.883056	-97.941111	(-102, -89]	(18, 36]
1	10/10/1949 21:00	light	7200.0	29.384210	-98.581082	(-102, -89]	(18, 36]
2	10/10/1955 17:00	circle	20.0	53.200000	-2.916667	(-11, 2]	(36, 54]
3	10/10/1956 21:00	circle	20.0	28.978333	-96.645833	(-102, -89]	(18, 36]
4	10/10/1960 20:00	light	900.0	21.418056	-157.803611	(-167, -154]	(18, 36]

# df[['cuts_long','cuts_la']].value_counts()错
pd.Series(list(zip(df['cuts_long'],df['cuts_la']))).value_counts().head()

((-89.0, -76.0], (36.0, 54.0])      16685
((-128.0, -115.0], (36.0, 54.0])    12109
((-76.0, -63.0], (36.0, 54.0])      10188
((-89.0, -76.0], (18.0, 36.0])       9499
((-102.0, -89.0], (36.0, 54.0])      6663
dtype: int64

df.set_index(['cuts_long','cuts_la']).index.value_counts().head()

((-89.0, -76.0], (36.0, 54.0])      16685
((-128.0, -115.0], (36.0, 54.0])    12109
((-76.0, -63.0], (36.0, 54.0])      10188
((-89.0, -76.0], (18.0, 36.0])       9499
((-102.0, -89.0], (36.0, 54.0])      6663
dtype: int64

【练习二】现有一份关于口袋妖怪的数据集，请解决下列问题：

pd.read_csv('data/Pokemon.csv').head()

	#	Name	Type 1	Type 2	Total	HP	Attack	Defense	Sp. Atk	Sp. Def	Speed	Generation	Legendary
0	1	Bulbasaur	Grass	Poison	318	45	49	49	65	65	45	1	False
1	2	Ivysaur	Grass	Poison	405	60	62	63	80	80	60	1	False
2	3	Venusaur	Grass	Poison	525	80	82	83	100	100	80	1	False
3	3	VenusaurMega Venusaur	Grass	Poison	625	80	100	123	122	120	80	1	False
4	4	Charmander	Fire	NaN	309	39	52	43	60	50	65	1	False

（a）双属性的Pokemon占总体比例的多少？

（b）在所有种族值（Total）不小于580的Pokemon中，非神兽（Legendary=False）的比例为多少？

（c）在第一属性为格斗系（Fighting）的Pokemon中，物攻排名前三高的是哪些？

（d）请问六项种族指标（HP、物攻、特攻、物防、特防、速度）极差的均值最大的是哪个属性（只考虑第一属性，且均值是对属性而言）？

（e）哪个属性（只考虑第一属性）的神兽比例最高？该属性神兽的种族值也是最高的吗？

(a)

df=pd.read_csv('data/Pokemon.csv')
df['Type 2'].count()/df.shape[0]

0.5175

(b)

n1=df.query('(Total>=580)&(Legendary==False)')['Legendary'].count()#/df.shape[0]
n2=df.query('(Total>=580)&(Legendary==True)')['Legendary'].count()
n1/(n1+n2)

0.4247787610619469

df.query('Total>=580')['Legendary'].value_counts(normalize=True)

True     0.575221
False    0.424779
Name: Legendary, dtype: float64

©

df[df['Type 1']=='Fighting'].sort_values(by='Attack',ascending=False).iloc[:3]

	#	Name	Type 1	Type 2	Total	HP	Attack	Defense	Sp. Atk	Sp. Def	Speed	Generation	Legendary
498	448	LucarioMega Lucario	Fighting	Steel	625	70	145	88	140	70	112	4	False
594	534	Conkeldurr	Fighting	NaN	505	105	140	95	55	65	45	5	False
74	68	Machamp	Fighting	NaN	505	90	130	80	65	85	55	1	False

(d)

df['range']=df.iloc[:,5:11].max(axis=1)-df.iloc[:,5:11].min(axis=1)
# df.iloc[:,5:11].max(axis=1)
attribute=df[['Type 1','range']].set_index('Type 1')
max_range=0
result=''
for i in attribute.index.unique():
    temp=attribute.loc[i].mean()
    if temp[0]>max_range:
        max_range=temp[0]
        result=i
# attribute.loc['Grass'].mean()
result

'Steel'

(e)

df.query('Legendary==True')['Type 1'].value_counts().index[0]

'Psychic'

attribute=df.query('Legendary==True')[['Type 1','Total']].set_index('Type 1')
max_range=0
result=''
for i in attribute.index.unique()[:-1]:
    temp=attribute.loc[i].mean()
    if temp[0]>max_range:
        max_range=temp[0]
        result=i
attribute.loc['Grass'].mean()
result
# attribute.index.unique()
# attribute.tail()
# attribute.index
# attribute.loc['Fairy',:]

'Normal'

attribute=df.query('Legendary==True')[['Type 1','Total']].set_index('Type 1')
max_range=0
result=''
for i in attribute.index.unique():
    temp=float(attribute.loc[i].mean())
    if temp>max_range:
        max_range=temp
        result=i
result

'Normal'

第2章 索引

第2章 索引

一、单级索引

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！）

① 单行索引：

② 多行索引：

③ 单列索引：

④ 多列索引：

⑤ 联合索引：

⑥ 函数式索引：

⑦ 布尔索引（将重点在第2节介绍）

小节：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）

① 单行索引：

② 多行索引：

③ 单列索引：

④ 多列索引：

⑤ 混合索引：

⑥ 函数式索引：

小节：iloc中接收的参数只能为整数或整数列表或布尔列表，不能使用布尔Series，如果要用就必须如下把values拿出来

（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

① 单元素索引：

② 多行索引：

③ 函数式索引：

④ 布尔索引：

【注意】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[]的浮点切片并不是进行位置比较，而是值比较，非常特殊

（c.2）DataFrame的[]操作

① 单行索引：

② 多行索引：

③ 单列索引：

④ 多列索引：

⑤函数式索引：

⑥ 布尔索引：

小节：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

2. 布尔索引

（a）布尔符号：’&’,’|’,’~’：分别代表和and，或or，取反not

loc和[]中相应位置都能使用布尔列表选择：

（b） isin方法

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：

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：

二、多级索引

1. 创建多级索引

（a）通过from_tuple或from_arrays

① 直接创建元组

② 利用zip创建元组

③ 通过Array创建

（b）通过from_product

（c）指定df中的列创建（set_index方法）

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

3. 多层索引中的slice对象

索引Slice可以与loc一起完成切片操作，主要有两种用法

（a）loc[idx[*,*]]型

第一个星号表示行，第二个表示列，且使用布尔索引时，需要索引对齐

（b）loc[idx[*,*],idx[*,*]]型

这里与上面的区别在于（a）中的loc是没有逗号隔开的，但（b）是用逗号隔开，前面一个idx表示行索引，后面一个idx为列索引

这种用法非常灵活，因此多举几个例子方便理解

索引Slice的使用非常灵活：

loc加逗号，idx索引不对齐（loc不加都好，idx索引对齐）注意！

加逗号的时候，前面的idx表示行，后面idx的表示列

不加逗号的时候，idx里面前面的表示行，后面的表示列而且要索引对齐

4. 索引层的交换

（a）swaplevel方法（两层交换）

（b）reorder_levels方法（多层交换）

三、索引设定

1. index_col参数

index_col是read_csv中的一个参数，而不是某一个方法：

2. reindex和reindex_like

第2章索引

第2章索引

（a）loc[idx[,]]型

（b）loc[idx[,],idx[,]]型

【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？

【练习一】现有一份关于UFO的数据集，请解决下列问题：

【练习二】现有一份关于口袋妖怪的数据集，请解决下列问题：