数据分析工具Pandas（2）：Pandas的索引操作
【摘要】 数据分析工具Pandas（1）：Pandas的数据结构
数据分析工具Pandas（2）：Pandas的索引操作
Pandas的索引操作
索引对象Index
1. Series和DataFrame中的索引都是Index对象
print(type(ser_obj.index))print(type(df_obj2.index)) print(d...
Pandas的索引操作
索引对象Index
1. Series和DataFrame中的索引都是Index对象
-
print(type(ser_obj.index))
-
print(type(df_obj2.index))
-
-
print(df_obj2.index)
运行结果：
-
<class 'pandas.indexes.range.RangeIndex'>
-
<class 'pandas.indexes.numeric.Int64Index'>
-
Int64Index([0, 1, 2, 3], dtype='int64')
2. 索引对象不可变，保证了数据的安全
-
# 索引对象不可变
-
df_obj2.index[0] = 2
运行结果：
-
---------------------------------------------------------------------------
-
TypeError Traceback (most recent call last)
-
<ipython-input-23-7f40a356d7d1> in <module>()
-
1 # 索引对象不可变
-
----> 2 df_obj2.index[0] = 2
-
-
/Users/Power/anaconda/lib/python3.6/site-packages/pandas/indexes/base.py in __setitem__(self, key, value)
-
1402
-
1403 def __setitem__(self, key, value):
-
-> 1404 raise TypeError("Index does not support mutable operations")
-
1405
-
1406 def __getitem__(self, key):
-
-
TypeError: Index does not support mutable operations
常见的Index种类
- Index，索引
- Int64Index，整数索引
- MultiIndex，层级索引
- DatetimeIndex，时间戳类型
Series索引
1. index 指定行索引名
-
ser_obj = pd.Series(range(5), index = ['a', 'b', 'c', 'd', 'e'])
-
print(ser_obj.head())
运行结果：
-
a 0
-
b 1
-
c 2
-
d 3
-
e 4
-
dtype: int64
2. 行索引
ser_obj[‘label’], ser_obj[pos]
-
# 行索引
-
print(ser_obj['b'])
-
print(ser_obj[2])
运行结果：
-
1
-
2
3. 切片索引
ser_obj[2:4], ser_obj[‘label1’: ’label3’]
注意，按索引名切片操作时，是包含终止索引的。
-
# 切片索引
-
print(ser_obj[1:3])
-
print(ser_obj['b':'d'])
运行结果：
-
b 1
-
c 2
-
dtype: int64
-
b 1
-
c 2
-
d 3
-
dtype: int64
4. 不连续索引
ser_obj[[‘label1’, ’label2’, ‘label3’]]
-
# 不连续索引
-
print(ser_obj[[0, 2, 4]])
-
print(ser_obj[['a', 'e']])
运行结果：
-
a 0
-
c 2
-
e 4
-
dtype: int64
-
a 0
-
e 4
-
dtype: int64
5. 布尔索引
-
# 布尔索引
-
ser_bool = ser_obj > 2
-
print(ser_bool)
-
print(ser_obj[ser_bool])
-
-
print(ser_obj[ser_obj > 2])
运行结果：
-
a False
-
b False
-
c False
-
d True
-
e True
-
dtype: bool
-
d 3
-
e 4
-
dtype: int64
-
d 3
-
e 4
-
dtype: int64
DataFrame索引
1. columns 指定列索引名
-
import numpy as np
-
-
df_obj = pd.DataFrame(np.random.randn(5,4), columns = ['a', 'b', 'c', 'd'])
-
print(df_obj.head())
运行结果：
-
a b c d
-
0 -0.241678 0.621589 0.843546 -0.383105
-
1 -0.526918 -0.485325 1.124420 -0.653144
-
2 -1.074163 0.939324 -0.309822 -0.209149
-
3 -0.716816 1.844654 -2.123637 -1.323484
-
4 0.368212 -0.910324 0.064703 0.486016
2. 列索引
df_obj[[‘label’]]
-
# 列索引
-
print(df_obj['a']) # 返回Series类型
-
print(df_obj[[0]]) # 返回DataFrame类型
-
print(type(df_obj[[0]])) # 返回DataFrame类型
运行结果：
-
0 -0.241678
-
1 -0.526918
-
2 -1.074163
-
3 -0.716816
-
4 0.368212
-
Name: a, dtype: float64
-
<class 'pandas.core.frame.DataFrame'>
3. 不连续索引
df_obj[[‘label1’, ‘label2’]]
-
# 不连续索引
-
print(df_obj[['a','c']])
-
print(df_obj[[1, 3]])
运行结果：
-
a c
-
0 -0.241678 0.843546
-
1 -0.526918 1.124420
-
2 -1.074163 -0.309822
-
3 -0.716816 -2.123637
-
4 0.368212 0.064703
-
b d
-
0 0.621589 -0.383105
-
1 -0.485325 -0.653144
-
2 0.939324 -0.209149
-
3 1.844654 -1.323484
-
4 -0.910324 0.486016
高级索引：标签、位置和混合
Pandas的高级索引有3种
1. loc 标签索引
DataFrame 不能直接切片，可以通过loc来做切片
loc是基于标签名的索引，也就是我们自定义的索引名
-
# 标签索引 loc
-
# Series
-
print(ser_obj['b':'d'])
-
print(ser_obj.loc['b':'d'])
-
-
# DataFrame
-
print(df_obj['a'])
-
-
# 第一个参数索引行，第二个参数是列
-
print(df_obj.loc[0:2, 'a'])
运行结果：
-
b 1
-
c 2
-
d 3
-
dtype: int64
-
b 1
-
c 2
-
d 3
-
dtype: int64
-
-
0 -0.241678
-
1 -0.526918
-
2 -1.074163
-
3 -0.716816
-
4 0.368212
-
Name: a, dtype: float64
-
0 -0.241678
-
1 -0.526918
-
2 -1.074163
-
Name: a, dtype: float64
2. iloc 位置索引
作用和loc一样，不过是基于索引编号来索引
-
-
# 整型位置索引 iloc
-
# Series
-
print(ser_obj[1:3])
-
print(ser_obj.iloc[1:3])
-
-
# DataFrame
-
print(df_obj.iloc[0:2, 0]) # 注意和df_obj.loc[0:2, 'a']的区别
运行结果：
-
b 1
-
c 2
-
dtype: int64
-
b 1
-
c 2
-
dtype: int64
-
-
0 -0.241678
-
1 -0.526918
-
Name: a, dtype: float64
3. ix 标签与位置混合索引
ix是以上二者的综合，既可以使用索引编号，又可以使用自定义索引，要视情况不同来使用，
如果索引既有数字又有英文，那么这种方式是不建议使用的，容易导致定位的混乱。
示例代码：
-
# 混合索引 ix
-
# Series
-
print(ser_obj.ix[1:3])
-
print(ser_obj.ix['b':'c'])
-
-
# DataFrame
-
print(df_obj.loc[0:2, 'a'])
-
print(df_obj.ix[0:2, 0])
运行结果：
-
b 1
-
c 2
-
dtype: int64
-
b 1
-
c 2
-
dtype: int64
-
-
0 -0.241678
-
1 -0.526918
-
2 -1.074163
-
Name: a, dtype: float64
注意
DataFrame索引操作，可将其看作ndarray的索引操作
标签的切片索引是包含末尾位置的
参考资料
文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。
原文链接：drugai.blog.csdn.net/article/details/104284470
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）