欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

pandas—DataFrame索引设置

程序员文章站 2022-09-21 09:59:29
在Python中,dataframe可以使用默认行列索引,也可以自行设置索引。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。新建一个DataFrameimport pandas as pddf = pd.DataFrame ([['a','A'],['b','B'],['c','C']],index=[1,2,3],columns=['小写','大写'])df# 返回小...

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