python-pandas之Index数据分析（六）
【摘要】
python-pandas之Index数据分析（六）
索引对象
'''数据结构 索引对象• pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等）。构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index。• Index对象是不可修改的（immutable），因此用户不能对其进行修...
python-pandas之Index数据分析（六）
索引对象
-
'''
-
数据结构 索引对象
-
• pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等）。构建
-
Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一
-
个Index。
-
• Index对象是不可修改的（immutable），因此用户不能对其进行修改。不可
-
修改性非常重要，因为这样才能使Index对象在多个数据结构之间安全共享。
-
-
• pandas中主要的index对象
-
类型 说明
-
index 最泛化的Index对象，将轴标签为一个由Python对象组成的NumPy数组。
-
Int64Index 针对整数的特殊Index
-
MultiIndex “层次化”索引对象，表示单个轴上的多层索引。可以看做由园数组组成的数
-
组。
-
DatetimeIndex 存储纳秒级时间戳
-
PeriodIndex 针对Period数据的特殊Index
-
-
• Index的方法和属性 I
-
类型 说明
-
append append 连接另一个Index对象，产生一个新的Index。
-
diff 计算差集，并得到一个Index。
-
intersection 计算交集
-
union 计算并集
-
isin 计算一个指示各值是否包含在参数集合中的布尔型数组
-
delete 删除索引i处的元素，并得到新的Index。
-
-
• Index的方法和属性 II
-
类型 说明
-
drop 删除传入的值，并得到新的索引。
-
insert 将元素插入到索引i处，并得到新的Index。
-
is_monotonic 当各元素均大于等于前一个元素时，返回True。
-
is_unique 当Index没有重复值时，返回True。
-
unique 计算Index中唯一值得数组
-
'''
-
import numpy as np
-
import pandas as pd
-
import sys
-
from pandas import Series,DataFrame,Index
-
-
print('获取index')
-
obj = Series(range(3),index=['a','b','c'])
-
index = obj.index
-
print(index[1:]) #打印index从1开始的所有索引
-
-
try:
-
index[1] = 'd' #Index对象是不可修改的（immutable），因此用户不能对其进行修改。不
-
except:
-
print
-
print(sys.exc_info()[0])
-
-
print('Index对象')
-
index = Index(np.arange(3))
-
obj2 = Series([1.6,23.3,6],index= index)
-
print(obj2)
-
-
print('判断列和索引是否存在')
-
pop = {'Nevada':{20001:2.4, 2002:2.9},
-
'Ohio':{2000:1.5, 2001:1.7, 2002:3.6}}
-
frame3 = DataFrame(pop)
-
print(frame3)
-
print('Ohio'in frame3.columns) # True
-
print('3923' in frame3.index) # False
重新索引
-
'''
-
基本功能 重新索引
-
• 创建一个适应新索引的新对象，该Series的reindex将会根据新索引进行重排。
-
如果某个索引值当前不存在，就引入缺失值
-
• 对于时间序列这样的有序数据，重新索引时可能需要做一些插值处理。
-
method选项即可达到此目的。
-
-
• reindex函数的参数
-
类型 说明
-
index 用作索引的新序列。既可以是Index实例，也可以是其它序列型的Python数据
-
结构。Index会被完全使用，就像没有任何复制一样。
-
method 插值填充方式，ffill或bfill。
-
fill_value 在重新索引过程中，需要引入缺失值时使用的替代值。
-
limit 前向或后向填充时的最大填充量
-
level 在MultiIndex的指定级别上匹配简单索引，否则选取其子集。
-
copy 默认为True，无论如何都复制。如果为False，则新旧相等就不复制。
-
'''
-
import numpy as np
-
from pandas import DataFrame,Series
-
-
print('重新指定索引及顺序')
-
obj = Series([3.4,5.4,5.6,-4],index=['d', 'b', 'a', 'c'])
-
print(obj)
-
obj2 = obj.reindex(['a', 'b', 'd', 'c', 'e'])
-
print('重新指定索引obj2\n',obj2)
-
print('指定不存在元素的默认值')
-
print(obj.reindex(['a', 'b', 'd', 'c', 'e'], fill_value = 0)) # 指定不存在元素的默认值
-
-
print('重新指定索引并指定填元素充方法')
-
obj3 = Series(['libai','dufu','tangshi'],index=[0,2,4])
-
print(obj3)
-
print(obj3.reindex(range(6),method='ffill')) #method 插值填充方式，ffill或bfill。
-
-
print('对DataFrame重新指定索引')
-
frame = DataFrame(np.arange(9).reshape(3, 3),
-
index = ['a', 'c', 'd'],
-
columns = ['Ohio', 'Texas', 'California'])
-
print(frame)
-
frame2 = frame.reindex(['a', 'b', 'c', 'd'])
-
print(frame2)
-
-
print('重新指定column')
-
states = ['Texas', 'Utah', 'California']
-
print(frame.reindex(columns = states))
-
-
print('对DataFrame重新指定索引并指定填元素充方法')
-
print(frame.reindex(index = ['a', 'b', 'c','d'],
-
# method='ffill',
-
columns = states))
-
print(frame.ix[['a', 'b', 'd', 'c'], states])
删除索引上的值
-
'''
-
基本功能 丢弃指定轴上的项
-
• 丢弃某条轴上的一个或多个项很简单，只要有一个索引数组或列表即可。由于
-
需要执行一些数据整理和集合逻辑，所以drop方法返回的是一个在指定轴上删
-
除了指定值的新对象
-
'''
-
import numpy as np
-
from pandas import Series,DataFrame
-
-
print('Series根据索引删除元素')
-
obj = Series(np.arange(5),index=['a','b','c','d','e'])
-
obj2 = obj.drop('c')
-
print(obj2) #删除C索引对应的值
-
print(obj.drop(['d','e']))
-
-
print('DataFrame删除元素，可指定索引或列。')
-
data = DataFrame(np.arange(16).reshape((4,4)),
-
index=['A','B','C','D'],
-
columns=['N1','N2','N3','N4'])
-
print(data)
-
print('删除A行的元素')
-
print(data.drop('A'))
-
print('删除N1列的元素')
-
print(data.drop('N1',axis=1))
-
print(data.drop(['N1','N3'],axis=1))
索引、选取和过滤
-
'''
-
基本功能 索引、选取和过滤
-
• Series索引（obj[...]）的工作方式类似于NumPy数组的索引，只不过Series的
-
索引值不只是整数。
-
• 利用标签的切片运算与普通的Python切片运算不同，其末端是包含的
-
（inclusive）。
-
• 对DataFrame进行索引其实就是获取一个或多个列
-
• 为了在DataFrame的行上进行标签索引，引入了专门的索引字段ix。
-
-
• DataFrame的索引选项
-
类型 说明
-
obj[val] 选取DataFrame的单个列或一组列。在一些特殊情况下会比较便利：布尔型数组（过滤
-
行）、切片（行切片）、布尔型DataFrame（根据条件设置值）。
-
obj.ix[val] 选取DataFrame的单个行或一组行
-
obj.ix[:, val] 选取单个列或列子集
-
obj.ix[val1, val] 同时选取行或列
-
reindex方法 将一个或多个轴匹配到新索引
-
xs方法 根据标签选取单行或单列，并返回一个Series。
-
icol、irow方法 根据整数位置选取单行或单列，并返回一个Series。
-
get_value、set_value方法 根据行标签或列标签选取单个值
-
'''
-
import numpy as np
-
from pandas import Series,DataFrame
-
-
print('Series的索引，默认数字索引可以工作。')
-
obj = Series(np.arange(4),index=['a','b','c','d'])
-
print('obj的b索引对应的值')
-
print(obj['b'])
-
print(obj[2])
-
print(obj[[2,3]])
-
print(obj[obj<2])
-
-
print('Series的数组切片')
-
print(obj['b':'c']) # 闭区间
-
obj['b':'c'] = 5 #将b和c索引的值重新赋值
-
print(obj)
-
-
print('DataFrame的索引')
-
data = DataFrame(np.arange(16).reshape((4,4)),
-
index=['A','B','C','D'],
-
columns=['N1','N2','N3','N4'])
-
print(data['N1']) #打印N1列元素
-
print('打印N1、N3列元素,同时显示行索引\n',data[['N1','N3']])#打印N1、N3列元素,同时显示行索引
-
print('分片方式打印前两行元素\n',data[:2])
-
print('指定索引和列')
-
print(data.ix['B',['N2','N4']])
-
print('指定行索引显示A和B，列索引将按照3,0,1顺序显示即N4,N1,N2')
-
print(data.ix[['A', 'B'], [3, 0, 1]])
-
print(data.ix[0]) #打印第一行
-
print(data.ix[:'C', 'N2']) # 从A到C行的第2列元素显示。
-
-
print('根据条件选择')
-
print(data[data.N3>3]) #帅选第三列大于3的元素
-
print(data<5) # 打印True或者False
-
data[data < 5] = 0 #将小于5的元素填充为0
-
print(data)
文章来源: brucelong.blog.csdn.net，作者：Bruce小鬼，版权归原作者所有，如需转载，请联系作者。
原文链接：brucelong.blog.csdn.net/article/details/80688859
【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）