pandas—DataFrame索引设置

在Python中，dataframe可以使用默认行列索引，也可以自行设置索引。

查看索引

新建一个DataFrame

import pandas as pd
df = pd.DataFrame ([['a','A'],['b','B'],['c','C']],index=[1,2,3],columns=['小写','大写']) df # 返回 小写	大写 1 a		A 2 b		B 3 c		C 

• 获取列索引

# 获取列索引 df.columns # 返回 Index(['小写', '大写'], dtype='object') 

• 获取行索引

# 获取行索引 df.index # 返回 Int64Index([1, 2, 3], dtype='int64') 

行、列索引的修改

对于DataFrame，如果需要对索引进行修改，可以通过 index 和 columns 参数来进行操作，也可以通过 rename() 方式实现。

• 修改行索引：index

# 将行索引改变为一二三 df.index = list("一二三") df # 返回 小写	大写
一	a		A
二	b		B
三	c		C 

• 修改列索引：columns

# 将列索引改为l，u df.columns = list('lu') df # 返回 l	u
一	a	A
二	b	B
三	c	C 

• raname()方法
  格式：df.rename(索引参数={},inplace = False/True)
  其中inplace参数为False时，不修改原数据，为True时，会对原数据修改。默认False

示例：将 df 的行索引变为123，列索引变为“小写”，“大写”，并将修改结果返回给 df

df.rename(index = {"一":1,"二":2,"三":3},columns = {"l":"小写","u":"大写"},inplace = True) df # 返回 小写	大写 1 a		A 2 b		B 3 c		C 

将数据列设置为索引列

• 将列转化为索引
  在创建好一个DataFrame后，可以通过 set_index() 方法将其中的一列或多列设置为索引列。
  格式：df.set_index(keys, drop, append, inplace)
  参数：
  keys：设置为索引的列名称
  drop：是否删除被设为索引的列，默认True（删除）。
  append：是否将新索引列附加到旧索引列上，默认False（不附加）
  inplace：是否修改原数据，默认False（不修改）

'''创建一个df,并按照A列排序''' import pandas as pd import numpy as np
df = pd.DataFrame(np.arange(16).reshape((4,4)),index = list('abcd'),columns=['A','B','C','D']) df['rank']=df['A'].rank(method='first') df # 返回 A	B	C	D	rank
a 0 1 2 3 1.0 b 4 5 6 7 2.0 c 8 9 10 11 3.0 d 12 13 14 15 4.0 '''将rank设为新的索引''' df.set_index('rank') # 返回 A	B	C	D
rank 1.0 0 1 2 3 2.0 4 5 6 7 3.0 8 9 10 11 4.0 12 13 14 15 '''设置多层次索引''' df.set_index(['A','B']) # 返回 C	D	rank
A	B 0 1 2 3 1.0 4 5 6 7 2.0 8 9 10 11 3.0 12 13 14 15 4.0 '''对比drop参数''' df.set_index('rank',drop=False) # 返回 A	B	C	D	rank
rank 1.0 0 1 2 3 1.0 2.0 4 5 6 7 2.0 3.0 8 9 10 11 3.0 4.0 12 13 14 15 4.0 '''对比append参数''' df.set_index('rank',append=True) # 返回 A	B	C	D
	rank				
a 1.0 0 1 2 3 b 2.0 4 5 6 7 c 3.0 8 9 10 11 d 4.0 12 13 14 15 

• 将索引转化为列
  reset_index()方法可以将索引重新转化为列
  格式：reset_index(level, drop, inplace)
  参数：
  level：用于指定要将层次化索引的第几层转化为columns，第一个索引为0级，第二个为1级，默认为None（全部索引）。
  drop：是否删除索引列，默认False。
  inplace：是否修改原数据，默认False（不修改）

# 创建一个df_reset df_set = df.set_index(["A","B"]) df_set # 返回 C	D	rank
A	B 0 1 2 3 1.0 4 5 6 7 2.0 8 9 10 11 3.0 12 13 14 15 4.0 # 将A、B索隐列重新转化为列 df_reset = df_set.reset_index(['A','B']) df_reset # 返回 A	B	C	D	rank 0 0 1 2 3 1.0 1 4 5 6 7 2.0 2 8 9 10 11 3.0 3 12 13 14 15 4.0 

索引切片

DataFrame可以对行，列通过索引进行切片处理。
注意：在pandas、numpy中，切片的结果是产生一个视图，对切片数据进行修改后，会影响到原始数据。（但在list 中进行切片产生的事copy副本）

# 新建一个DataFrame import pandas as pd import numpy as np
df1 = pd.DataFrame(np.arange(16).reshape((4,4)),index = [1,2,3,4],columns=['A','B','C','D']) df1 # 返回 A	B	C	D 1 0 1 2 3 2 4 5 6 7 3 8 9 10 11 4 12 13 14 15 

• 选取单列
  传入需要提取的列名

df1["A"] # 返回 1 0 2 4 3 8 4 12 Name: A, dtype: int32 

• 选取多列
  将需要的列名，以列表的形式传入

df1[["A",'B']] # 返回 A	B 1 0 1 2 4 5 3 8 9 4 12 13 

• 选取单行
  传入所需行号

df1[2:3] # 返回  A	B	C	D 3 8 9 10 11 

• 选取多行
  和选取单行方法一样（强迫症0.0）

df1[:3] # 返回  A	B	C	D 1 0 1 2 3 2 4 5 6 7 3 8 9 10 11 

• 按条件选取行
  感觉这个方法只适用单列单条件情景，还是推荐使用pandas中的loc函数

df1[df1["A"]>5] # 返回 A	B	C	D 3 8 9 10 11 4 12 13 14 15 

• 切片产生的是个视图，修改切片会影响原始数据
  （下面有两个需要注意的地方）

# 对 df1 的A列进行切片，并赋值给 t ，此时 t 是 df1 的一个视图，对 t 修改，会另 df1 产生变化。 import pandas as pd import numpy as np
df1 = pd.DataFrame(np.arange(16).reshape((4,4)),index = [1,2,3,4],columns=['A','B','C','D']) print(df1) t = df1["A"] t[1] = 100 # 注意： 由于已经设置了索引，这里就是t[1]，而不是t[0] df1 # 返回 A   B   C   D 1 0 1 2 3 2 4 5 6 7 3 8 9 10 11 4 12 13 14 15 A	B	C	D 1 100 1 2 3 2 4 5 6 7 3 8 9 10 11 4 12 13 14 15 # 需要注意的是，如果想要对 t 整体修改，需要以 t 的切片来完成 # 注意： 如果写成 t = [0,0,0,0]则是对 t 重新进行了赋值 t[:] = [0,0,0,0] print(df1) A   B   C   D 1 0 1 2 3 2 0 5 6 7 3 0 9 10 11 4 0 13 14 15 

本文地址：https://blog.csdn.net/weixin_44830542/article/details/108208493