数据科学库（五 · 三）索引和复合索引

（一）简单的索引操作

以下索引操作十分简单，通过代码结果对比，及能清晰的看懂，不过多解释。

1 获取index：df.index

df1 = pd.DataFrame([[100.0,1.0,1.0,1.0],[1.0,1.0,1.0,1.0]],index=["A","B"],columns=list("abcd"))
print(df1)
print('源仔 '*10)
print(df1.index)

OUT:

       a    b    c    d
A  100.0  1.0  1.0  1.0
B    1.0  1.0  1.0  1.0
源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
Index(['A', 'B'], dtype='object')

2 指定index ：df.index = [‘x’,‘y’]

# 对已有的DataFrame的索引进行赋值
df1.index = ["a","b"]
print(df1)

OUT:

       a    b    c    d
a  100.0  1.0  1.0  1.0
b    1.0  1.0  1.0  1.0

3 重新设置index : df.reindex(list(“abcdef”))

# 重新设置index
print(df1.reindex(["a","f"]))
             # a行对应DataFrame是能取到的，f索引在DataFrame没有行对应，所以全部显示NAN
             # 但之后df1返回原有DataFrame的原型

OUT：

       a    b    c    d
a  100.0  1.0  1.0  1.0
f    NaN  NaN  NaN  NaN

4 指定某一列作为index ：df.set_index(“a”,drop=False)

# 把当前DataFrame的某一列作为索引
print('\n')
print('源仔 '*10)
print(df1.set_index("a"))
print(df1.set_index("a").index)

# 上面把DataFrame中的a列作为索引，但是a列就没了
# 现在把当前DataFrame的某一列作为索引，并且保留这一列
print('\n')
print('源仔 '*10)
print(df1.set_index("a",drop=False))

OUT:

源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
         b    c    d
a                   
100.0  1.0  1.0  1.0
1.0    1.0  1.0  1.0
Float64Index([100.0, 1.0], dtype='float64', name='a')


源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
           a    b    c    d
a                          
100.0  100.0  1.0  1.0  1.0
1.0      1.0  1.0  1.0  1.0

5 返回index的唯一值：df.set_index(“Country”).index.unique()

# 返回index的唯一值
print('\n')
print('源仔 '*10)
print(df1["d"].unique())
print(df1["a"].unique())

# 返回index的全部值
print('\n')
print('源仔 '*10)
t1 = list(df1.set_index("d").index)
t2 = list(df1.set_index("a").index)
print(t1,t2)

# index的长度
t3 = len(df1.set_index("d").index.unique())
t4 = len(df1.set_index("d").index)
print('\n')
print('源仔 '*10)
print(t3)
print(t4)

OUT:

源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
[1.]
[100.   1.]


源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
[1.0, 1.0] [100.0, 1.0]


源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
1
2

6 当df1.set_index([“c”,“d”])即设置两个索引的时候是什么样子的结果呢？

# 当df1.set_index(["c","d"])即设置两个索引的时候是什么样子的结果呢？
q1 = df1.set_index(["a","d"])
q2 = df1.set_index(["a","d"]).index
q3 = df1.set_index(["a","b","d"],drop=False)
print('\n')
print('源仔 '*10)
print(q1)
print('源仔 '*10)
print(q2)
print('源仔 '*10)
print(q3)

OUT：

源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
             b    c
a     d            
100.0 1.0  1.0  1.0
1.0   1.0  1.0  1.0
源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
MultiIndex([(100.0, 1.0),
            (  1.0, 1.0)],
           names=['a', 'd'])
源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
                   a    b    c    d
a     b   d                        
100.0 1.0 1.0  100.0  1.0  1.0  1.0
1.0   1.0 1.0    1.0  1.0  1.0  1.0

7 写一个字典形式DataFrame

# 写一个字典形式DataFrame
a = pd.DataFrame({
    
    'a': range(7),'b': range(7, 0, -1),'c': ['one','one','one','two','two','two', 'two'],'d': list("hjklmno")})
print('\n')
print('源仔 '*10)
print(a)

OUT:

源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
   a  b    c  d
0  0  7  one  h
1  1  6  one  j
2  2  5  one  k
3  3  4  two  l
4  4  3  two  m
5  5  2  two  n
6  6  1  two  o

（二）灵活运用上面的索引

1 为下面程序做对比参照

import numpy as np
import pandas as pd

# 写一个字典形式DataFrame
df2 = pd.DataFrame({
    
    'a': range(7),'b': range(7, 0, -1),'c': ['one','one','one','two','two','two', 'two'],'d': list("hjklmno")})
print(df2)

# 取出从c、d列作为索引
b = df2.set_index(["c","d"])
print('源仔 '*10)
print(b)

# Series
c = b["a"]
print('\n')
print('源仔 '*10)
print(c)
print(type(c))

d = c["one"]["j"]
e = c["one"]   # 这也是Series类型
print('\n')
print('源仔 '*10)
print(d)
print('源仔 '*10)
print(e)

OUT:

   a  b    c  d
0  0  7  one  h
1  1  6  one  j
2  2  5  one  k
3  3  4  two  l
4  4  3  two  m
5  5  2  two  n
6  6  1  two  o
源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
       a  b
c   d      
one h  0  7
    j  1  6
    k  2  5
two l  3  4
    m  4  3
    n  5  2
    o  6  1


源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
c    d
one  h    0
     j    1
     k    2
two  l    3
     m    4
     n    5
     o    6
Name: a, dtype: int64
<class 'pandas.core.series.Series'>


源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
1
源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 源仔 
d
h    0
j    1
k    2
Name: a, dtype: int64

2 如何取内层索引

swaplevel() # 把前两列索引交换位置

# 如何取内部的索引
a1 = df2.set_index(["d","c"])["a"]
print('\n')
print('# # '*10)
print(a1)
# 如何取上述a1内部one的索引呢
print('# # '*10)
print(a1.index)
b2 = a1.swaplevel()  # 把前两列索引交换位置
print('# # '*10)

OUT：

# # # # # # # # # # # # # # # # # # # # 
d  c  
h  one    0
j  one    1
k  one    2
l  two    3
m  two    4
n  two    5
o  two    6
Name: a, dtype: int64
# # # # # # # # # # # # # # # # # # # # 
MultiIndex([('h', 'one'),
            ('j', 'one'),
            ('k', 'one'),
            ('l', 'two'),
            ('m', 'two'),
            ('n', 'two'),
            ('o', 'two')],
           names=['d', 'c'])
# # # # # # # # # # # # # # # # # # # # 
c    d
one  h    0
     j    1
     k    2
two  l    3
     m    4
     n    5
     o    6
Name: a, dtype: int64
# # # # # # # # # # # # # # # # # # # # 
d
h    0
j    1
k    2
Name: a, dtype: int64

（三）实例

3.1 使用matplotlib呈现出店铺总数排名前10的国家

• groupby()：python中groupby函数主要的作用是进行数据的分组以及分组后地组内运算！

df[](指输出数据的结果属性名称).groupby([df[属性],df[属性])(指分类的属性，数据的限定定语，可以有多个).mean()(对于数据的计算方式——函数名称)

详细解释可查看：python中groupby函数主要的作用

• sort_values()：可以查看链接Pandas-排序函数sort_values()

# coding=utf-8
import pandas as pd
import matplotlib.pyplot as plt

file_path = "starbucks_store_worldwide.csv"

df = pd.read_csv(file_path)

# 使用matplotlib呈现出店铺总数排名前18的国家
#准备数据
data1 = df.groupby(by="Country").count()["Brand"].sort_values(ascending=False)[:10]

_x = data1.index
_y = data1.values

# 画图
plt.figure(figsize=(20,8),dpi=80)

plt.bar(range(len(_x)),_y)

plt.xticks(range(len(_x)),_x)

plt.show()

OUT：

3.2使用matplotlib呈现出每个中国每个城市的店铺数量

# coding=utf-8
import pandas as pd
import  numpy as np
import matplotlib.pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/simsun.ttc")

file_path = "starbucks_store_worldwide.csv"

df = pd.read_csv(file_path)
df = df[df["Country"]=="CN"]

# 使用matplotlib呈现出店铺总数排名前18的国家
#准备数据
data1 = df.groupby(by="City").count()["Brand"].sort_values(ascending=False)[:25]

_x = data1.index
_y = data1.values

# 画图
plt.figure(figsize=(20,8),dpi=80)

#plt.bar(range(len(_x)),_y,width=0.3,color="orange")
# 画横型条状图
plt.barh(range(len(_x)),_y,height=0.7,color="orange")

plt.yticks(range(len(_x)),_x,fontProperties = my_font)

plt.show()

OUT：

3.3 不同年份书的数量and平均评分情况

现在我们有全球排名靠前的10000本书的数据，那么请统计一下下面几个问题：

• 不同年份书的数量
• 不同年份书的平均评分情况

books.csv数据链接如下：
链接：https://pan.baidu.com/s/1uGY9dGUNV7n32kGZdWGqFw
提取码：hw3e

# coding=utf-8
import pandas as pd
from matplotlib import pyplot as plt
import numpy as np
from matplotlib import font_manager

file_path = "books.csv"
df = pd.read_csv(file_path)

print(df.head(2))
print("# # "*20)
print(df.info())

OUT:

   id  ...                                    small_image_url
0   1  ...  https://images.gr-assets.com/books/1447303603s...
1   2  ...  https://images.gr-assets.com/books/1474154022s...

[2 rows x 23 columns]
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # 
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10000 entries, 0 to 9999
Data columns (total 23 columns):
 #   Column                     Non-Null Count  Dtype  
---  ------                     --------------  -----  
 0   id                         10000 non-null  int64  
 1   book_id                    10000 non-null  int64  
 2   best_book_id               10000 non-null  int64  
 3   work_id                    10000 non-null  int64  
 4   books_count                10000 non-null  int64  
 5   isbn                       9300 non-null   object 
 6   isbn13                     9415 non-null   float64
 7   authors                    10000 non-null  object 
 8   original_publication_year  9979 non-null   float64
 9   original_title             9415 non-null   object 
 10  title                      10000 non-null  object 
 11  language_code              8916 non-null   object 
 12  average_rating             10000 non-null  float64
 13  ratings_count              10000 non-null  int64  
 14  work_ratings_count         10000 non-null  int64  
 15  work_text_reviews_count    10000 non-null  int64  
 16  ratings_1                  10000 non-null  int64  
 17  ratings_2                  10000 non-null  int64  
 18  ratings_3                  10000 non-null  int64  
 19  ratings_4                  10000 non-null  int64  
 20  ratings_5                  10000 non-null  int64  
 21  image_url                  10000 non-null  object 
 22  small_image_url            10000 non-null  object 
dtypes: float64(3), int64(13), object(7)
memory usage: 1.8+ MB
None

不同年份书的平均评分情况

# coding=utf-8
import pandas as pd
from matplotlib import pyplot as plt
import numpy as np
from matplotlib import font_manager

file_path = "books.csv"
df = pd.read_csv(file_path)

print(df.head(2))
print("# # "*20)
print(df.info())
'''
original_publication_year  9979 non-null   float64,可知当前数据有缺失，总数据因该是10000，首先因该删除缺失的数据
'''
# 不同年份书的数量
```python
# 删除整个这一列缺失的数据
data1 = df[pd.notnull(df["original_publication_year"])] # 也就是取这一列不为NaN的数据
grouped = data1.groupby(by="original_publication_year").count()["title"]
'''
grouped = data1["average_rating"].groupby(by=data1["original_publication_year"]).count()
print(grouped)
查看original_publication_year出版的数量，带负号的年份表示公元前
'''
# 平均评分情况
data1 = df[pd.notnull(df["original_publication_year"])] # 也就是取这一列不为NaN的数据
grouped = data1["average_rating"].groupby(by=data1["original_publication_year"]).mean()
print(grouped)

# 画图
_x = grouped.index
_y = grouped.values

plt.figure(figsize=(20,8),dpi=80)
plt.plot(range(len(_x)),_y)

plt.xticks(list(range(len(_x)))[::10],_x[::10].astype(int),rotation=45)
plt.show()

OUT：

original_publication_year
-1750.0    3.630000
-762.0     4.030000
-750.0     4.005000
-720.0     3.730000
-560.0     4.050000
             ...   
 2013.0    4.012297
 2014.0    3.985378
 2015.0    3.954641
 2016.0    4.027576
 2017.0    4.100909
Name: average_rating, Length: 293, dtype: float64

（四）python数据科学库学习目录

学习python数据科学库笔记的顺序：
python数据科学库（一）
python数据科学库（二）matplotlib
python数据科学库笔记(三)Numpy
Python下载并安装第三方库（cvxpy）
python数据科学库笔记（四）pandas
python数据科学库（五 · 一）数字的合并与分组聚合(太具有逻辑性，多复习）
数据科学库（五 · 二）数字的合并与分组聚合