当前位置: 首页>编程语言>正文

根据索引获得df中的某一行数据 根据索引名得到索引号

Pandas 03-索引


import numpy as np
import pandas as pd

一、索引器

1. 表的列索引

列索引是最常见的索引形式,一般通过[]来实现。通过[列名]可以从DataFrame中取出相应的列,返回值为Series,例如从表中取出姓名一列:

df = pd.read_csv('../data/learn_pandas.csv', usecols = ['School', 'Grade', 'Name', 'Gender', 'Weight', 'Transfer'])
df['Name'].head()
0      Gaopeng Yang
1    Changqiang You
2           Mei Sun
3      Xiaojuan Sun
4       Gaojuan You
Name: Name, dtype: object

如果要取出多个列,则可以通过[列名组成的列表],其返回值为一个DataFrame,例如从表中取出性别和姓名两列:

df[['Gender', 'Name']].head()



Gender

Name

0

Female

Gaopeng Yang

1

Male

Changqiang You

2

Male

Mei Sun

3

Female

Xiaojuan Sun

4

Male

Gaojuan You

此外,若要取出单列,且列名中不包含空格,则可以用.列名取出,这和[列名]是等价的:

df.Name.head()
0      Gaopeng Yang
1    Changqiang You
2           Mei Sun
3      Xiaojuan Sun
4       Gaojuan You
Name: Name, dtype: object

2. 序列的行索引

【a】以字符串为索引的Series

如果取出单个索引的对应元素,则可以使用[item],若Series只有单个值对应,则返回这个标量值,如果有多个值对应,则返回一个Series

s = pd.Series([1, 2, 3, 4, 5, 6], index=['a', 'b', 'a', 'a', 'a', 'c'])
s['a']
a    1
a    3
a    4
a    5
dtype: int64
s['b']
2

如果取出多个索引的对应元素,则可以使用[items的列表]

s[['c', 'b']]
c    6
b    2
dtype: int64

如果想要取出某两个索引之间的元素,并且这两个索引是在整个索引中唯一出现,则可以使用切片,,同时需要注意这里的切片会包含两个端点:

s['c': 'b': -2]
c    6
a    4
b    2
dtype: int64

【b】以整数为索引的Series

在使用数据的读入函数时,如果不特别指定所对应的列作为索引,那么会生成从0开始的整数索引作为默认索引。当然,任意一组符合长度要求的整数都可以作为索引。

和字符串一样,如果使用[int][int_list],则可以取出对应索引元素的值:

s = pd.Series(['a', 'b', 'c', 'd', 'e', 'f'], index=[1, 3, 1, 2, 5, 4])
s[1]
1    a
1    c
dtype: object
s[[2,3]]
2    d
3    b
dtype: object

如果使用整数切片,则会取出对应索引位置的值,注意这里的整数切片同Python中的切片一样不包含右端点:

s[1:-1:2]
3    b
2    d
dtype: object
【WARNING】关于索引类型的说明

如果不想陷入麻烦,那么请不要把纯浮点以及任何混合类型(字符串、整数、浮点类型等的混合)作为索引,否则可能会在具体的操作时报错或者返回非预期的结果,并且在实际的数据分析中也不存在这样做的动机。

【END】

3. loc索引器

前面讲到了对DataFrame的列进行选取,下面要讨论其行的选取。对于表而言,有两种索引器,一种是基于元素loc索引器,另一种是基于位置iloc索引器。

loc索引器的一般形式是loc[*, *],其中第一个*代表行的选择,第二个*代表列的选择,如果省略第二个位置写作loc[*],这个*是指行的筛选。其中,*的位置一共有五类合法对象,分别是:单个元素、元素列表、元素切片、布尔列表以及函数,下面将依次说明。

为了演示相应操作,先利用set_index方法把Name列设为索引,关于该函数的其他用法将在多级索引一章介绍。

df_demo = df.set_index('Name')
df_demo.head()



School

Grade

Gender

Weight

Transfer

Name

Gaopeng Yang

Shanghai Jiao Tong University

Freshman

Female

46.0

N

Changqiang You

Peking University

Freshman

Male

70.0

N

Mei Sun

Shanghai Jiao Tong University

Senior

Male

89.0

N

Xiaojuan Sun

Fudan University

Sophomore

Female

41.0

N

Gaojuan You

Fudan University

Sophomore

Male

74.0

N

【a】*为单个元素

此时,直接取出相应的行或列,如果该元素在索引中重复则结果为DataFrame,否则为Series

df_demo.loc['Qiang Sun'] # 多个人叫此名字



School

Grade

Gender

Weight

Transfer

Name

Qiang Sun

Tsinghua University

Junior

Female

53.0

N

Qiang Sun

Tsinghua University

Sophomore

Female

40.0

N

Qiang Sun

Shanghai Jiao Tong University

Junior

Female

NaN

N

df_demo.loc['Quan Zhao'] # 名字唯一
School      Shanghai Jiao Tong University
Grade                              Junior
Gender                             Female
Weight                                 53
Transfer                                N
Name: Quan Zhao, dtype: object

也可以同时选择行和列:

df_demo.loc['Qiang Sun', 'School'] # 返回Series
Name
Qiang Sun              Tsinghua University
Qiang Sun              Tsinghua University
Qiang Sun    Shanghai Jiao Tong University
Name: School, dtype: object
df_demo.loc['Quan Zhao', 'School'] # 返回单个元素
'Shanghai Jiao Tong University'

【b】*为元素列表

此时,取出列表中所有元素值对应的行或列:

df_demo.loc[['Qiang Sun','Quan Zhao'], ['School','Gender']]



School

Gender

Name

Qiang Sun

Tsinghua University

Female

Qiang Sun

Tsinghua University

Female

Qiang Sun

Shanghai Jiao Tong University

Female

Quan Zhao

Shanghai Jiao Tong University

Female

【c】*为切片

之前的Series使用字符串索引时提到,如果是唯一值的起点和终点字符,那么就可以使用切片,并且包含两个端点,如果不唯一则报错:

df_demo.loc['Gaojuan You':'Gaoqiang Qian', 'School':'Gender']



School

Grade

Gender

Name

Gaojuan You

Fudan University

Sophomore

Male

Xiaoli Qian

Tsinghua University

Freshman

Female

Qiang Chu

Shanghai Jiao Tong University

Freshman

Female

Gaoqiang Qian

Tsinghua University

Junior

Female

需要注意的是,如果DataFrame使用整数索引,其使用整数切片的时候和上面字符串索引的要求一致,都是元素切片,包含端点且起点、终点不允许有重复值。

df_loc_slice_demo = df_demo.copy()
df_loc_slice_demo.index = range(df_demo.shape[0],0,-1)
df_loc_slice_demo.loc[5:3]



School

Grade

Gender

Weight

Transfer

5

Fudan University

Junior

Female

46.0

N

4

Tsinghua University

Senior

Female

50.0

N

3

Shanghai Jiao Tong University

Senior

Female

45.0

N

df_loc_slice_demo.loc[3:5] # 没有返回,说明不是整数位置切片



School

Grade

Gender

Weight

Transfer

【d】*为布尔列表

在实际的数据处理中,根据条件来筛选行是极其常见的,此处传入loc的布尔列表与DataFrame长度相同,且列表为True的位置所对应的行会被选中,False则会被剔除。

例如,选出体重超过70kg的学生:

df_demo.loc[df_demo.Weight>70].head()



School

Grade

Gender

Weight

Transfer

Name

Mei Sun

Shanghai Jiao Tong University

Senior

Male

89.0

N

Gaojuan You

Fudan University

Sophomore

Male

74.0

N

Xiaopeng Zhou

Shanghai Jiao Tong University

Freshman

Male

74.0

N

Xiaofeng Sun

Tsinghua University

Senior

Male

71.0

N

Qiang Zheng

Shanghai Jiao Tong University

Senior

Male

87.0

N

前面所提到的传入元素列表,也可以通过isin方法返回的布尔列表等价写出,例如选出所有大一和大四的同学信息:

df_demo.loc[df_demo.Grade.isin(['Freshman', 'Senior'])].head()



School

Grade

Gender

Weight

Transfer

Name

Gaopeng Yang

Shanghai Jiao Tong University

Freshman

Female

46.0

N

Changqiang You

Peking University

Freshman

Male

70.0

N

Mei Sun

Shanghai Jiao Tong University

Senior

Male

89.0

N

Xiaoli Qian

Tsinghua University

Freshman

Female

51.0

N

Qiang Chu

Shanghai Jiao Tong University

Freshman

Female

52.0

N

对于复合条件而言,可以用|(或), &(且), ~(取反)的组合来实现,例如选出复旦大学中体重超过70kg的大四学生,或者北大男生中体重超过80kg的非大四的学生:

condition_1_1 = df_demo.School == 'Fudan University'
condition_1_2 = df_demo.Grade == 'Senior'
condition_1_3 = df_demo.Weight > 70
condition_1 = condition_1_1 & condition_1_2 & condition_1_3
condition_2_1 = df_demo.School == 'Peking University'
condition_2_2 = df_demo.Grade == 'Senior'
condition_2_3 = df_demo.Weight > 80
condition_2 = condition_2_1 & (~condition_2_2) & condition_2_3
df_demo.loc[condition_1 | condition_2]



School

Grade

Gender

Weight

Transfer

Name

Qiang Han

Peking University

Freshman

Male

87.0

N

Chengpeng Zhou

Fudan University

Senior

Male

81.0

N

Changpeng Zhao

Peking University

Freshman

Male

83.0

N

Chengpeng Qian

Fudan University

Senior

Male

73.0

Y

【练一练 - 01】

select_dtypes是一个实用函数,它能够从表中选出相应类型的列,若要选出所有数值型的列,只需使用.select_dtypes('number'),请利用布尔列表选择的方法结合DataFramedtypes属性在learn_pandas数据集上实现这个功能。

My solution :

df = pd.read_csv('../data/learn_pandas.csv')
df.select_dtypes(include = 'number').head()



Height

Weight

Test_Number

0

158.9

46.0

1

1

166.5

70.0

1

2

188.9

89.0

2

3

NaN

41.0

2

4

174.0

74.0

2

df.loc[:,(df.dtypes=='int64') | (df.dtypes=='float64')].head()



Height

Weight

Test_Number

0

158.9

46.0

1

1

166.5

70.0

1

2

188.9

89.0

2

3

NaN

41.0

2

4

174.0

74.0

2

【END】

【e】*为函数

这里的函数,必须以前面的四种合法形式之一为返回值,并且函数的输入值为DataFrame本身。假设仍然是上述复合条件筛选的例子,可以把逻辑写入一个函数中再返回,需要注意的是函数的形式参数x本质上即为df_demo

def condition(x):
    condition_1_1 = x.School == 'Fudan University'
    condition_1_2 = x.Grade == 'Senior'
    condition_1_3 = x.Weight > 70
    condition_1 = condition_1_1 & condition_1_2 & condition_1_3
    condition_2_1 = x.School == 'Peking University'
    condition_2_2 = x.Grade == 'Senior'
    condition_2_3 = x.Weight > 80
    condition_2 = condition_2_1 & (~condition_2_2) & condition_2_3
    result = condition_1 | condition_2
    return result
df_demo.loc[condition]



School

Grade

Gender

Weight

Transfer

Name

Qiang Han

Peking University

Freshman

Male

87.0

N

Chengpeng Zhou

Fudan University

Senior

Male

81.0

N

Changpeng Zhao

Peking University

Freshman

Male

83.0

N

Chengpeng Qian

Fudan University

Senior

Male

73.0

Y

此外,还支持使用lambda表达式,其返回值也同样必须是先前提到的四种形式之一:

df_demo.loc[lambda x:'Quan Zhao', lambda x:'Gender']
'Female'

由于函数无法返回如start: end: step的切片形式,故返回切片时要用slice对象进行包装:

df_demo.loc[lambda x: slice('Gaojuan You', 'Gaoqiang Qian')]



School

Grade

Gender

Weight

Transfer

Name

Gaojuan You

Fudan University

Sophomore

Male

74.0

N

Xiaoli Qian

Tsinghua University

Freshman

Female

51.0

N

Qiang Chu

Shanghai Jiao Tong University

Freshman

Female

52.0

N

Gaoqiang Qian

Tsinghua University

Junior

Female

50.0

N

最后需要指出的是,对于Series也可以使用loc索引,其遵循的原则与DataFrame中用于行筛选的loc[*]完全一致,此处不再赘述。

【WARNING】不要使用链式赋值

在对表或者序列赋值时,应当在使用一层索引器后直接进行赋值操作,这样做是由于进行多次索引后赋值是赋在临时返回的copy副本上的,而没有真正修改元素从而报出SettingWithCopyWarning警告。例如,下面给出的例子:

df_chain = pd.DataFrame([[0,0],[1,0],[-1,0]], columns=list('AB'))
df_chain
import warnings
with warnings.catch_warnings():
    warnings.filterwarnings('error')
    try:
        df_chain[df_chain.A!=0].B = 1 # 使用方括号列索引后,再使用点的列索引
    except Warning as w:
        Warning_Msg = w
print(Warning_Msg)
df_chain
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy



A

B

0

0

0

1

1

0

2

-1

0

df_chain.loc[df_chain.A!=0,'B'] = 1
df_chain



A

B

0

0

0

1

1

1

2

-1

1

【END】

4. iloc索引器

iloc的使用与loc完全类似,只不过是针对位置进行筛选,在相应的*位置处一共也有五类合法对象,分别是:整数、整数列表、整数切片、布尔列表以及函数,函数的返回值必须是前面的四类合法对象中的一个,其输入同样也为DataFrame本身。

df_demo.iloc[1, 1] # 第二行第二列
'Freshman'
df_demo.iloc[[0, 1], [0, 1]] # 前两行前两列



School

Grade

Name

Gaopeng Yang

Shanghai Jiao Tong University

Freshman

Changqiang You

Peking University

Freshman

df_demo.iloc[1: 4, 2:4] # 切片不包含结束端点



Gender

Weight

Name

Changqiang You

Male

70.0

Mei Sun

Male

89.0

Xiaojuan Sun

Female

41.0

df_demo.iloc[lambda x: slice(1, 4)] # 传入切片为返回值的函数



School

Grade

Gender

Weight

Transfer

Name

Changqiang You

Peking University

Freshman

Male

70.0

N

Mei Sun

Shanghai Jiao Tong University

Senior

Male

89.0

N

Xiaojuan Sun

Fudan University

Sophomore

Female

41.0

N

在使用布尔列表的时候要特别注意,不能传入Series而必须传入序列的values,否则会报错。因此,在使用布尔筛选的时候还是应当优先考虑loc的方式。

例如,选出体重超过80kg的学生:

df_demo.iloc[(df_demo.Weight>80).values].head()



School

Grade

Gender

Weight

Transfer

Name

Mei Sun

Shanghai Jiao Tong University

Senior

Male

89.0

N

Qiang Zheng

Shanghai Jiao Tong University

Senior

Male

87.0

N

Qiang Han

Peking University

Freshman

Male

87.0

N

Chengpeng Zhou

Fudan University

Senior

Male

81.0

N

Feng Han

Shanghai Jiao Tong University

Sophomore

Male

82.0

N

Series而言同样也可以通过iloc返回相应位置的值或子序列:

df_demo.School.iloc[1]
'Peking University'
df_demo.School.iloc[1:5:2]
Name
Changqiang You    Peking University
Xiaojuan Sun       Fudan University
Name: School, dtype: object

5. query方法

pandas中,支持把字符串形式的查询表达式传入query方法来查询数据,其表达式的执行结果必须返回布尔列表。在进行复杂索引时,由于这种检索方式无需像普通方法一样重复使用DataFrame的名字来引用列名,一般而言会使代码长度在不降低可读性的前提下有所减少。

例如,将loc一节中的复合条件查询例子可以如下改写:

df.query('((School == "Fudan University")&'
         ' (Grade == "Senior")&'
         ' (Weight > 70))|'
         '((School == "Peking University")&'
         ' (Grade != "Senior")&'
         ' (Weight > 80))')



School

Grade

Name

Gender

Weight

Transfer

38

Peking University

Freshman

Qiang Han

Male

87.0

N

66

Fudan University

Senior

Chengpeng Zhou

Male

81.0

N

99

Peking University

Freshman

Changpeng Zhao

Male

83.0

N

131

Fudan University

Senior

Chengpeng Qian

Male

73.0

Y

query表达式中,帮用户注册了所有来自DataFrame的列名,所有属于该Series的方法都可以被调用,和正常的函数调用并没有区别,例如查询体重超过均值的学生:

df.query('Weight > Weight.mean()').head()



School

Grade

Name

Gender

Weight

Transfer

1

Peking University

Freshman

Changqiang You

Male

70.0

N

2

Shanghai Jiao Tong University

Senior

Mei Sun

Male

89.0

N

4

Fudan University

Sophomore

Gaojuan You

Male

74.0

N

10

Shanghai Jiao Tong University

Freshman

Xiaopeng Zhou

Male

74.0

N

14

Tsinghua University

Senior

Xiaomei Zhou

Female

57.0

N

【NOTE】query中引用带空格的列名

对于含有空格的列名,需要使用`col name`的方式进行引用。

【END】

同时,在query中还注册了若干英语的字面用法,帮助提高可读性,例如:or, and, not, is in, not in。例如,筛选出男生中不是大一大二的学生:

df.query('(Grade not in ["Freshman", "Sophomore"]) and (Gender == "Male")').head()



School

Grade

Name

Gender

Weight

Transfer

2

Shanghai Jiao Tong University

Senior

Mei Sun

Male

89.0

N

16

Tsinghua University

Junior

Xiaoqiang Qin

Male

68.0

N

17

Tsinghua University

Junior

Peng Wang

Male

65.0

N

18

Tsinghua University

Senior

Xiaofeng Sun

Male

71.0

N

21

Shanghai Jiao Tong University

Senior

Xiaopeng Shen

Male

62.0

NaN

此外,在字符串中出现与列表的比较时,==!=分别表示元素出现在列表和没有出现在列表,等价于is innot in,例如查询所有大三和大四的学生:

df.query('Grade == ["Junior", "Senior"]').head()



School

Grade

Name

Gender

Weight

Transfer

2

Shanghai Jiao Tong University

Senior

Mei Sun

Male

89.0

N

7

Tsinghua University

Junior

Gaoqiang Qian

Female

50.0

N

9

Peking University

Junior

Juan Xu

Female

NaN

N

11

Tsinghua University

Junior

Xiaoquan Lv

Female

43.0

N

12

Shanghai Jiao Tong University

Senior

Peng You

Female

48.0

NaN

对于query中的字符串,如果要引用外部变量,只需在变量名前加@符号。例如,取出体重位于70kg到80kg之间的学生:

low, high =70, 80
df.query('Weight.between(@low, @high)').head()



School

Grade

Name

Gender

Weight

Transfer

1

Peking University

Freshman

Changqiang You

Male

70.0

N

4

Fudan University

Sophomore

Gaojuan You

Male

74.0

N

10

Shanghai Jiao Tong University

Freshman

Xiaopeng Zhou

Male

74.0

N

18

Tsinghua University

Senior

Xiaofeng Sun

Male

71.0

N

35

Peking University

Freshman

Gaoli Zhao

Male

78.0

N

6. 随机抽样

如果把DataFrame的每一行看作一个样本,或把每一列看作一个特征,再把整个DataFrame看作总体,想要对样本或特征进行随机抽样就可以用sample函数。有时在拿到大型数据集后,想要对统计特征进行计算来了解数据的大致分布,但是这很费时间。同时,由于许多统计特征在等概率不放回的简单随机抽样条件下,是总体统计特征的无偏估计,比如样本均值和总体均值,那么就可以先从整张表中抽出一部分来做近似估计。

sample函数中的主要参数为n, axis, frac, replace, weights,前三个分别是指抽样数量、抽样的方向(0为行、1为列)和抽样比例(0.3则为从总体中抽出30%的样本)。

replaceweights分别是指是否放回和每个样本的抽样相对概率,当replace = True则表示有放回抽样。例如,对下面构造的df_samplevalue值的相对大小为抽样概率进行有放回抽样,抽样数量为3。

df_sample = pd.DataFrame({'id': [*'abcde'], 'value': [1, 2, 3, 4, 90]})
df_sample



id

value

0

a

1

1

b

2

2

c

3

3

d

4

4

e

90

df_sample.sample(3, replace = True, weights = df_sample.value)



id

value

4

e

90

3

d

4

4

e

90

二、多级索引

1. 多级索引及其表的结构

为了更加清晰地说明具有多级索引的DataFrame结构,下面新构造一张表,读者可以忽略这里的构造方法,它们将会在第4小节被更详细地讲解。

np.random.seed(0)
multi_index = pd.MultiIndex.from_product([[*'ABCD'], df.Gender.unique()], names=('School', 'Gender'))
multi_column = pd.MultiIndex.from_product([['Height', 'Weight'], df.Grade.unique()], names=('Indicator', 'Grade'))
df_multi = pd.DataFrame(np.c_[(np.random.randn(8,4)*5 + 163).tolist(), (np.random.randn(8,4)*5 + 65).tolist()],
                        index = multi_index, columns = multi_column).round(1)
df_multi



Indicator

Height

Weight

Grade

Freshman

Senior

Sophomore

Junior

Freshman

Senior

Sophomore

Junior

School

Gender

A

Female

171.8

165.0

167.9

174.2

60.6

55.1

63.3

65.8

Male

172.3

158.1

167.8

162.2

71.2

71.0

63.1

63.5

B

Female

162.5

165.1

163.7

170.3

59.8

57.9

56.5

74.8

Male

166.8

163.6

165.2

164.7

62.5

62.8

58.7

68.9

C

Female

170.5

162.0

164.6

158.7

56.9

63.9

60.5

66.9

Male

150.2

166.3

167.3

159.3

62.4

59.1

64.9

67.1

D

Female

174.3

155.7

163.2

162.1

65.3

66.5

61.8

63.2

Male

170.7

170.3

163.8

164.9

61.6

63.2

60.9

56.4

下图通过颜色区分,标记了DataFrame的结构。与单层索引的表一样,具备元素值、行索引和列索引三个部分。其中,这里的行索引和列索引都是MultiIndex类型,只不过索引中的一个元素是元组而不是单层索引中的标量。例如,行索引的第四个元素为("B", "Male"),列索引的第二个元素为("Height", "Senior"),这里需要注意,外层连续出现相同的值时,第一次之后出现的会被隐藏显示,使结果的可读性增强。

根据索引获得df中的某一行数据 根据索引名得到索引号,根据索引获得df中的某一行数据 根据索引名得到索引号_索引器,第1张

与单层索引类似,MultiIndex也具有名字属性,图中的SchoolGender分别对应了表的第一层和第二层行索引的名字,IndicatorGrade分别对应了第一层和第二层列索引的名字。

索引的名字和值属性分别可以通过namesvalues获得:

df_multi.index.names
FrozenList(['School', 'Gender'])
df_multi.columns.names
FrozenList(['Indicator', 'Grade'])
df_multi.index.values
array([('A', 'Female'), ('A', 'Male'), ('B', 'Female'), ('B', 'Male'),
       ('C', 'Female'), ('C', 'Male'), ('D', 'Female'), ('D', 'Male')],
      dtype=object)
df_multi.columns.values
array([('Height', 'Freshman'), ('Height', 'Senior'),
       ('Height', 'Sophomore'), ('Height', 'Junior'),
       ('Weight', 'Freshman'), ('Weight', 'Senior'),
       ('Weight', 'Sophomore'), ('Weight', 'Junior')], dtype=object)

如果想要得到某一层的索引,则需要通过get_level_values获得:

df_multi.index.get_level_values(0)
Index(['A', 'A', 'B', 'B', 'C', 'C', 'D', 'D'], dtype='object', name='School')

但对于索引而言,无论是单层还是多层,用户都无法通过index_obj[0] = item的方式来修改元素,也不能通过index_name[0] = new_name的方式来修改名字,关于如何修改这些属性的话题将在第三节被讨论。

2. 多级索引中的loc索引器

熟悉了结构后,现在回到原表,将学校和年级设为索引,此时的行为多级索引,列为单级索引,由于默认状态的列索引不含名字,因此对应于刚刚图中IndicatorGrade的索引名位置是空缺的。

df_multi = df.set_index(['School', 'Grade'])
df_multi.head()



Name

Gender

Height

Weight

Transfer

Test_Number

Test_Date

Time_Record

School

Grade

Shanghai Jiao Tong University

Freshman

Gaopeng Yang

Female

158.9

46.0

N

1

2019/10/5

0:04:34

Peking University

Freshman

Changqiang You

Male

166.5

70.0

N

1

2019/9/4

0:04:20

Shanghai Jiao Tong University

Senior

Mei Sun

Male

188.9

89.0

N

2

2019/9/12

0:05:22

Fudan University

Sophomore

Xiaojuan Sun

Female

NaN

41.0

N

2

2020/1/3

0:04:08

Sophomore

Gaojuan You

Male

174.0

74.0

N

2

2019/11/6

0:05:22

由于多级索引中的单个元素以元组为单位,因此之前在第一节介绍的lociloc方法完全可以照搬,只需把标量的位置替换成对应的元组,不过在索引前最好对MultiIndex进行排序以避免性能警告:

df_multi = df_multi.sort_index()
df_multi.loc[('Fudan University', 'Junior')].head()



Name

Gender

Height

Weight

Transfer

Test_Number

Test_Date

Time_Record

School

Grade

Fudan University

Junior

Yanli You

Female

NaN

48.0

N

1

2019/9/23

0:03:34

Junior

Chunqiang Chu

Male

168.6

72.0

N

2

2019/10/16

0:03:58

Junior

Changfeng Lv

Male

175.6

76.0

N

2

2019/9/11

0:04:35

Junior

Yanjuan Lv

Female

159.3

49.0

NaN

1

2019/9/3

0:03:39

Junior

Gaoqiang Zhou

Female

156.8

43.0

N

1

2019/11/4

0:04:34

df_multi.loc[[('Fudan University', 'Senior'), ('Shanghai Jiao Tong University', 'Freshman')]].head()



Name

Gender

Height

Weight

Transfer

Test_Number

Test_Date

Time_Record

School

Grade

Fudan University

Senior

Chengpeng Zheng

Female

151.7

38.0

N

2

2019/11/1

0:03:39

Senior

Feng Zhou

Female

155.6

47.0

N

2

2019/11/18

0:04:59

Senior

Gaomei Lv

Female

147.3

34.0

N

2

2019/10/16

0:03:44

Senior

Chunli Lv

Female

166.7

56.0

N

2

2019/11/12

0:03:53

Senior

Chengpeng Zhou

Male

177.1

81.0

N

1

2019/9/5

0:03:38

df_multi.loc[df_multi.Weight > 70].head() # 布尔列表也是可用的



Name

Gender

Weight

Transfer

School

Grade

Fudan University

Freshman

Feng Wang

Male

74.0

N

Junior

Chunqiang Chu

Male

72.0

N

Junior

Changfeng Lv

Male

76.0

N

Senior

Chengpeng Zhou

Male

81.0

N

Senior

Chengpeng Qian

Male

73.0

Y

df_multi.loc[lambda x:('Fudan University','Junior')].head()



Name

Gender

Weight

Transfer

School

Grade

Fudan University

Junior

Yanli You

Female

48.0

N

Junior

Chunqiang Chu

Male

72.0

N

Junior

Changfeng Lv

Male

76.0

N

Junior

Yanjuan Lv

Female

49.0

NaN

Junior

Gaoqiang Zhou

Female

43.0

N

【练一练 - 02】

与单层索引类似,若存在重复元素,则不能使用切片,请去除重复索引后给出一个元素切片的例子。

My solution :

  • 表的多级索引必须每一级都按升序排列 , 否则会报UnsortedIndexError
np.random.seed(0)
multi_index = pd.MultiIndex.from_product([[*'ABCD'], df.Gender.unique()], names=('School', 'Gender'))
multi_column = pd.MultiIndex.from_product([['Height', 'Weight'], df.Grade.sort_values().unique()], names=('Indicator', 'Grade'))
df_multi = pd.DataFrame(np.c_[(np.random.randn(8,4)*5 + 163).tolist(), (np.random.randn(8,4)*5 + 65).tolist()],
                        index = multi_index, columns = multi_column).round(1)
df_multi



Indicator

Height

Weight

Grade

Freshman

Junior

Senior

Sophomore

Freshman

Junior

Senior

Sophomore

School

Gender

A

Female

171.8

165.0

167.9

174.2

60.6

55.1

63.3

65.8

Male

172.3

158.1

167.8

162.2

71.2

71.0

63.1

63.5

B

Female

162.5

165.1

163.7

170.3

59.8

57.9

56.5

74.8

Male

166.8

163.6

165.2

164.7

62.5

62.8

58.7

68.9

C

Female

170.5

162.0

164.6

158.7

56.9

63.9

60.5

66.9

Male

150.2

166.3

167.3

159.3

62.4

59.1

64.9

67.1

D

Female

174.3

155.7

163.2

162.1

65.3

66.5

61.8

63.2

Male

170.7

170.3

163.8

164.9

61.6

63.2

60.9

56.4

df_multi.loc[('B','Female'):('C','Male'),('Height','Senior'):('Weight','Junior')]



Indicator

Height

Weight

Grade

Senior

Sophomore

Freshman

Junior

School

Gender

B

Female

163.7

170.3

59.8

57.9

Male

165.2

164.7

62.5

62.8

C

Female

164.6

158.7

56.9

63.9

Male

167.3

159.3

62.4

59.1

【END】

此外,在多级索引中的元组有一种特殊的用法,可以对多层的元素进行交叉组合后索引,但同时需要指定loc的列,全选则用:表示。其中,每一层需要选中的元素用列表存放,传入loc的形式为[(level_0_list, level_1_list), cols]。例如,想要得到所有北大和复旦的大二大三学生,可以如下写出:

res = df_multi.loc[(['Peking University', 'Fudan University'], ['Sophomore', 'Junior']), :]
res.head()



Name

Gender

Weight

Transfer

School

Grade

Peking University

Sophomore

Changmei Xu

Female

43.0

N

Sophomore

Xiaopeng Qin

Male

NaN

N

Sophomore

Mei Xu

Female

39.0

N

Sophomore

Xiaoli Zhou

Female

55.0

N

Sophomore

Peng Han

Female

34.0

NaN

res.shape
(33, 4)

下面的语句和上面类似,但仍然传入的是元素(这里为元组)的列表,它们的意义是不同的,表示的是选出北大的大三学生和复旦的大二学生:

res = df_multi.loc[[('Peking University', 'Junior'), ('Fudan University', 'Sophomore')]]
res.head()



Name

Gender

Weight

Transfer

School

Grade

Peking University

Junior

Juan Xu

Female

NaN

N

Junior

Changjuan You

Female

47.0

N

Junior

Gaoli Xu

Female

48.0

N

Junior

Gaoquan Zhou

Male

70.0

N

Junior

Qiang You

Female

56.0

N

res.shape
(16, 4)

3. IndexSlice对象

前面介绍的方法,即使在索引不重复的时候,也只能对元组整体进行切片,而不能对每层进行切片,也不允许将切片和布尔列表混合使用,引入IndexSlice对象就能解决这个问题。Slice对象一共有两种形式,第一种为loc[idx[*,*]]型,第二种为loc[idx[*,*],idx[*,*]]型,下面将进行介绍。为了方便演示,下面构造一个索引不重复的DataFrame

np.random.seed(0)
L1,L2 = [*'ABC'],[*'abc']
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
L3,L4 = [*'DEF'],[*'def']
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=('Big', 'Small'))
df_ex = pd.DataFrame(np.random.randint(-9,10,(9,9)), index=mul_index1, columns=mul_index2)
df_ex



Big

D

E

F

Small

d

e

f

d

e

f

d

e

f

Upper

Lower

A

a

3

6

-9

-6

-6

-2

0

9

-5

b

-3

3

-8

-3

-2

5

8

-4

4

c

-1

0

7

-4

6

6

-9

9

-6

B

a

8

5

-2

-9

-8

0

-9

1

-6

b

2

9

-7

-9

-9

-5

-4

-3

-1

c

8

6

-5

0

1

-8

-8

-2

0

C

a

-6

-3

2

5

9

-9

5

-6

3

b

1

2

-5

-3

-5

6

-6

3

-5

c

-1

5

6

-6

6

4

7

8

-4

为了使用silce对象,先要进行定义:

idx = pd.IndexSlice

【a】loc[idx[*,*]]

这种情况并不能进行多层分别切片,前一个*表示行的选择,后一个*表示列的选择,与单纯的loc是类似的:

df_ex.loc[idx['C':, ('D', 'f'):]]



Big

D

E

F

Small

f

d

e

f

d

e

f

Upper

Lower

C

a

2

5

9

-9

5

-6

3

b

-5

-3

-5

6

-6

3

-5

c

6

-6

6

4

7

8

-4

另外,也支持布尔序列的索引:

df_ex.loc[idx[:'A', lambda x:x.sum()>0]] # 列和大于0



Big

D

F

Small

d

e

e

Upper

Lower

A

a

3

6

9

b

-3

3

-4

c

-1

0

9

【b】loc[idx[*,*],idx[*,*]]

这种情况能够分层进行切片,前一个idx指代的是行索引,后一个是列索引。

df_ex.loc[idx[:'A', 'b':], idx['E':, 'e':]]



Big

E

F

Small

e

f

e

f

Upper

Lower

A

b

-2

5

-4

4

c

6

6

9

-6

4. 多级索引的构造

前面提到了多级索引表的结构和切片,那么除了使用set_index之外,如何自己构造多级索引呢?常用的有from_tuples, from_arrays, from_product三种方法,它们都是pd.MultiIndex对象下的函数。

from_tuples指根据传入由元组组成的列表进行构造:

my_tuple = [('a','cat'),('a','dog'),('b','cat'),('b','dog')]
pd.MultiIndex.from_tuples(my_tuple, names=['First','Second'])
MultiIndex([('a', 'cat'),
            ('a', 'dog'),
            ('b', 'cat'),
            ('b', 'dog')],
           names=['First', 'Second'])

from_arrays指根据传入列表中,对应层的列表进行构造:

my_array = [[*'aabb'], ['cat', 'dog']*2]
pd.MultiIndex.from_arrays(my_array, names=['First','Second'])
MultiIndex([('a', 'cat'),
            ('a', 'dog'),
            ('b', 'cat'),
            ('b', 'dog')],
           names=['First', 'Second'])

from_product指根据给定多个列表的笛卡尔积进行构造:

my_list1 = ['a','b']
my_list2 = ['cat','dog']
pd.MultiIndex.from_product([my_list1, my_list2], names=['First','Second'])
MultiIndex([('a', 'cat'),
            ('a', 'dog'),
            ('b', 'cat'),
            ('b', 'dog')],
           names=['First', 'Second'])

三、索引的常用方法

1. 索引层的交换和删除

为了方便理解交换的过程,这里构造一个三级索引的例子:

np.random.seed(0)
L1,L2,L3 = ['A','B'],['a','b'],['alpha','beta']
mul_index1 = pd.MultiIndex.from_product([L1,L2,L3], names=('Upper', 'Lower','Extra'))
L4,L5,L6 = ['C','D'],['c','d'],['cat','dog']
mul_index2 = pd.MultiIndex.from_product([L4,L5,L6], names=('Big', 'Small', 'Other'))
df_ex = pd.DataFrame(np.random.randint(-9,10,(8,8)), index=mul_index1,  columns=mul_index2)
df_ex



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Extra

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

beta

-9

-5

-4

-3

-1

8

6

-5

b

alpha

0

1

-8

-8

-2

0

-6

-3

beta

2

5

9

-9

5

-6

3

1

索引层的交换由swaplevelreorder_levels完成,前者只能交换两个层,而后者可以交换任意层,两者都可以指定交换的是轴是哪一个,即行索引或列索引:

df_ex.swaplevel(0,2,axis=1).head() # 列索引的第一层和第三层交换



Other

cat

dog

cat

dog

cat

dog

cat

dog

Small

c

c

d

d

c

c

d

d

Big

C

C

C

C

D

D

D

D

Upper

Lower

Extra

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

df_ex.reorder_levels([2,0,1],axis=0).head() # 列表数字指代原来索引中的层



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

Extra

Upper

Lower

alpha

A

a

3

6

-9

-6

-6

-2

0

9

beta

A

a

-5

-3

3

-8

-3

-2

5

8

alpha

A

b

-4

4

-1

0

7

-4

6

6

beta

A

b

-9

9

-6

8

5

-2

-9

-8

alpha

B

a

0

-9

1

-6

2

9

-7

-9

【NOTE】轴之间的索引交换

这里只涉及行或列索引内部的交换,不同方向索引之间的交换将在第五章中被讨论。

【END】

若想要删除某一层的索引,可以使用droplevel方法:

df_ex.droplevel(1,axis=1)



Big

C

D

Other

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Extra

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

beta

-9

-5

-4

-3

-1

8

6

-5

b

alpha

0

1

-8

-8

-2

0

-6

-3

beta

2

5

9

-9

5

-6

3

1

df_ex.droplevel([0,1],axis=0)



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

Extra

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

alpha

0

-9

1

-6

2

9

-7

-9

beta

-9

-5

-4

-3

-1

8

6

-5

alpha

0

1

-8

-8

-2

0

-6

-3

beta

2

5

9

-9

5

-6

3

1

2. 索引属性的修改

通过rename_axis可以对索引层的名字进行修改,常用的修改方式是传入字典的映射:

df_ex.rename_axis(index={'Extra':'Changed_row'}, columns={'Other':'Changed_col'}).head()



Big

C

D

Small

c

d

c

d

Changed_col

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Changed_row

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

通过rename可以对索引的值进行修改,如果是多级索引需要指定修改的层号level

df_ex.rename(columns={'cat':'not_cat'}, level=2).head()



Big

C

D

Small

c

d

c

d

Other

not_cat

dog

not_cat

dog

not_cat

dog

not_cat

dog

Upper

Lower

Extra

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

传入参数也可以是函数,其输入值就是索引元素:

df_ex.rename(index=lambda x:str.upper(x), level=2).head()



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Extra

A

a

ALPHA

3

6

-9

-6

-6

-2

0

9

BETA

-5

-3

3

-8

-3

-2

5

8

b

ALPHA

-4

4

-1

0

7

-4

6

6

BETA

-9

9

-6

8

5

-2

-9

-8

B

a

ALPHA

0

-9

1

-6

2

9

-7

-9

【练一练 - 03】

尝试在rename_axis中使用函数完成与例子中一样的功能。

My solution :

df_ex.rename_axis(index=lambda x:x.replace('Extra','Changed_row'),columns=lambda x:x.replace('Other','Changed_col')).head()



Big

C

D

Small

c

d

c

d

Changed_col

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Changed_row

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

【END】

对于整个索引的元素替换,可以利用迭代器实现:

new_values = iter([*'abcdefgh'])
df_ex.rename(index=lambda x:next(new_values), level=2)



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Extra

A

a

a

3

6

-9

-6

-6

-2

0

9

b

-5

-3

3

-8

-3

-2

5

8

b

c

-4

4

-1

0

7

-4

6

6

d

-9

9

-6

8

5

-2

-9

-8

B

a

e

0

-9

1

-6

2

9

-7

-9

f

-9

-5

-4

-3

-1

8

6

-5

b

g

0

1

-8

-8

-2

0

-6

-3

h

2

5

9

-9

5

-6

3

1

若想要对某个位置的元素进行修改,在单层索引时容易实现,即先取出索引的values属性,再给对得到的列表进行修改,最后再对index对象重新赋值。但是如果是多级索引的话就有些麻烦,一个解决的方案是先把某一层索引临时转为表的元素,然后再进行修改,最后重新设定为索引,下面一节将介绍这些操作。

另外一个需要介绍的函数是map,它是定义在Index上的方法,与前面rename方法中层的函数式用法是类似的,只不过它传入的不是层的标量值,而是直接传入索引的元组,这为用户进行跨层的修改提供了遍历。例如,可以等价地写出上面的字符串转大写的操作:

df_temp = df_ex.copy()
new_idx = df_temp.index.map(lambda x: (x[0], x[1], str.upper(x[2])))
df_temp.index = new_idx
df_temp.head()



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

Upper

Lower

Extra

A

a

ALPHA

3

6

-9

-6

-6

-2

0

9

BETA

-5

-3

3

-8

-3

-2

5

8

b

ALPHA

-4

4

-1

0

7

-4

6

6

BETA

-9

9

-6

8

5

-2

-9

-8

B

a

ALPHA

0

-9

1

-6

2

9

-7

-9

关于map的另一个使用方法是对多级索引的压缩,这在第四章和第五章的一些操作中是有用的:

df_temp = df_ex.copy()
new_idx = df_temp.index.map(lambda x: (x[0]+'-'+x[1]+'-'+x[2]))
df_temp.index = new_idx
df_temp.head() # 单层索引



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

A-a-alpha

3

6

-9

-6

-6

-2

0

9

A-a-beta

-5

-3

3

-8

-3

-2

5

8

A-b-alpha

-4

4

-1

0

7

-4

6

6

A-b-beta

-9

9

-6

8

5

-2

-9

-8

B-a-alpha

0

-9

1

-6

2

9

-7

-9

同时,也可以反向地展开:

new_idx = df_temp.index.map(lambda x:tuple(x.split('-')))
df_temp.index = new_idx
df_temp.head() # 三层索引



Big

C

D

Small

c

d

c

d

Other

cat

dog

cat

dog

cat

dog

cat

dog

A

a

alpha

3

6

-9

-6

-6

-2

0

9

beta

-5

-3

3

-8

-3

-2

5

8

b

alpha

-4

4

-1

0

7

-4

6

6

beta

-9

9

-6

8

5

-2

-9

-8

B

a

alpha

0

-9

1

-6

2

9

-7

-9

3. 索引的设置与重置

为了说明本节的函数,下面构造一个新表:

df_new = pd.DataFrame({'A':[*'aacd'], 'B':[*'PQRT'], 'C':[1,2,3,4]})
df_new



A

B

C

0

a

P

1

1

a

Q

2

2

c

R

3

3

d

T

4

索引的设置可以使用set_index完成,这里的主要参数是append,表示是否来保留原来的索引,直接把新设定的添加到原索引的内层:

df_new.set_index('A')



B

C

A

a

P

1

a

Q

2

c

R

3

d

T

4

df_new.set_index('A', append=True)



B

C

A

0

a

P

1

1

a

Q

2

2

c

R

3

3

d

T

4

可以同时指定多个列作为索引:

df_new.set_index(['A', 'B'])



C

A

B

a

P

1

Q

2

c

R

3

d

T

4

如果想要添加索引的列没有出现再其中,那么可以直接在参数中传入相应的Series

my_index = pd.Series([*'WXYZ'], name='D')
df_new = df_new.set_index(['A', my_index])
df_new



B

C

A

D

a

W

P

1

X

Q

2

c

Y

R

3

d

Z

T

4

reset_indexset_index的逆函数,其主要参数是drop,表示是否要把去掉的索引层丢弃,而不是添加到列中:

df_new.reset_index(['D'])



D

B

C

A

a

W

P

1

a

X

Q

2

c

Y

R

3

d

Z

T

4

df_new.reset_index(['D'], drop=True)



B

C

A

a

P

1

a

Q

2

c

R

3

d

T

4

如果重置了所有的索引,那么pandas会直接重新生成一个默认索引:

df_new.reset_index()



A

D

B

C

0

a

W

P

1

1

a

X

Q

2

2

c

Y

R

3

3

d

Z

T

4

4. 索引的变形

在某些场合下,需要对索引做一些扩充或者剔除,更具体地要求是给定一个新的索引,把原表中相应的索引对应元素填充到新索引构成的表中。例如,下面的表中给出了员工信息,需要重新制作一张新的表,要求增加一名员工的同时去掉身高列并增加性别列:

df_reindex = pd.DataFrame({"Weight":[60,70,80], "Height":[176,180,179]}, index=['1001','1003','1002'])
df_reindex



Weight

Height

1001

60

176

1003

70

180

1002

80

179

df_reindex.reindex(index=['1001','1002','1003','1004'], columns=['Weight','Gender'])



Weight

Gender

1001

60.0

NaN

1002

80.0

NaN

1003

70.0

NaN

1004

NaN

NaN

这种需求常出现在时间序列索引的时间点填充以及ID编号的扩充。另外,需要注意的是原来表中的数据和新表中会根据索引自动对其,例如原先的1002号位置在1003号之后,而新表中相反,那么reindex中会根据元素对其,与位置无关。

还有一个与reindex功能类似的函数是reindex_like,其功能是仿照传入的表的索引来进行被调用表索引的变形。例如,现在以及存在一张表具备了目标索引的条件,那么上述功能可以如下等价地写出:

df_existed = pd.DataFrame(index=['1001','1002','1003','1004'], columns=['Weight','Gender'])
df_reindex.reindex_like(df_existed)



Weight

Gender

1001

60.0

NaN

1002

80.0

NaN

1003

70.0

NaN

1004

NaN

NaN

四、索引运算

1. 集合的运算法则

经常会有一种利用集合运算来取出符合条件行的需求,例如有两张表AB,它们的索引都是员工编号,现在需要筛选出两表索引交集的所有员工信息,此时通过Index上的运算操作就很容易实现。

不过在此之前,不妨先复习一下常见的四种集合运算:

根据索引获得df中的某一行数据 根据索引名得到索引号,根据索引获得df中的某一行数据 根据索引名得到索引号_字符串_02,第2张
根据索引获得df中的某一行数据 根据索引名得到索引号,根据索引获得df中的某一行数据 根据索引名得到索引号_字符串_03,第3张
根据索引获得df中的某一行数据 根据索引名得到索引号,根据索引获得df中的某一行数据 根据索引名得到索引号_索引器_04,第4张
根据索引获得df中的某一行数据 根据索引名得到索引号,根据索引获得df中的某一行数据 根据索引名得到索引号_赋值_05,第5张

2. 一般的索引运算

由于集合的元素是互异的,但是索引中可能有相同的元素,先用unique去重后再进行运算。下面构造两张最为简单的示例表进行演示:

df_set_1 = pd.DataFrame([[0,1],[1,2],[3,4]], index = pd.Index(['a','b','a'],name='id1'))
df_set_2 = pd.DataFrame([[4,5],[2,6],[7,1]], index = pd.Index(['b','b','c'],name='id2'))
id1, id2 = df_set_1.index.unique(), df_set_2.index.unique()
id1.intersection(id2)
Index(['b'], dtype='object')
id1.union(id2)
Index(['a', 'b', 'c'], dtype='object')
id1.difference(id2)
Index(['a'], dtype='object')
id1.symmetric_difference(id2)
Index(['a', 'c'], dtype='object')

上述的四类运算还可以用等价的符号表示代替如下:

id1 & id2
Index(['b'], dtype='object')
id1 | id2
Index(['a', 'b', 'c'], dtype='object')
(id1 ^ id2) & id1
Index(['a'], dtype='object')
id1 ^ id2 # ^符号即对称差
Index(['a', 'c'], dtype='object')

若两张表需要做集合运算的列并没有被设置索引,一种办法是先转成索引,运算后再恢复,另一种方法是利用isin函数,例如在重置索引的第一张表中选出id列交集的所在行:

df_set_in_col_1 = df_set_1.reset_index()
df_set_in_col_2 = df_set_2.reset_index()
df_set_in_col_1



id1

0

1

0

a

0

1

1

b

1

2

2

a

3

4

df_set_in_col_2



id2

0

1

0

b

4

5

1

b

2

6

2

c

7

1

df_set_in_col_1[df_set_in_col_1.id1.isin(df_set_in_col_2.id2)]



id1

0

1

1

b

1

2

五、练习

Ex1:公司员工数据集

现有一份公司员工数据集:

df = pd.read_csv('../data/company.csv')
df.head(3)



EmployeeID

birthdate_key

age

city_name

department

job_title

gender

0

1318

1/3/1954

61

Vancouver

Executive

CEO

M

1

1319

1/3/1957

58

Vancouver

Executive

VP Stores

F

2

1320

1/2/1955

60

Vancouver

Executive

Legal Counsel

F

  1. 分别只使用queryloc选出年龄不超过四十岁且工作部门为DairyBakery的男性。
  2. 选出员工ID号 为奇数所在行的第1、第3和倒数第2列。
  3. 按照以下步骤进行索引操作:
  • 把后三列设为索引后交换内外两层
  • 恢复中间一层
  • 修改外层索引名为Gender
  • 用下划线合并两层行索引
  • 把行索引拆分为原状态
  • 修改索引名为原表名称
  • 恢复默认索引并将列保持为原表的相对位置

My solution :

1.1 使用query查询 :
df.query("age<=40 & department.isin(['Dairy','Bakery']) & gender=='M'").head(3)



EmployeeID

birthdate_key

age

city_name

department

job_title

gender

3611

5791

1/14/1975

40

Kelowna

Dairy

Dairy Person

M

3613

5793

1/22/1975

40

Richmond

Bakery

Baker

M

3615

5795

1/30/1975

40

Nanaimo

Dairy

Dairy Person

M

3617

5797

2/3/1975

40

Nanaimo

Dairy

Dairy Person

M

3618

5798

2/4/1975

40

Surrey

Dairy

Dairy Person

M

1.2 使用loc查询 :
df.loc[(df.age<=40) & (df.department.isin(['Dairy','Bakery'])) & (df.gender=='M')].head(3)



EmployeeID

birthdate_key

age

city_name

department

job_title

gender

3611

5791

1/14/1975

40

Kelowna

Dairy

Dairy Person

M

3613

5793

1/22/1975

40

Richmond

Bakery

Baker

M

3615

5795

1/30/1975

40

Nanaimo

Dairy

Dairy Person

M

3617

5797

2/3/1975

40

Nanaimo

Dairy

Dairy Person

M

3618

5798

2/4/1975

40

Surrey

Dairy

Dairy Person

M

  1. 选出员工ID号 为奇数所在行的第1、第3和倒数第2列
df.iloc[df.EmployeeID.apply(lambda x:bool(x%2)).values,[0,2,-2]].head(3)



EmployeeID

age

job_title

1

1319

58

VP Stores

3

1321

56

VP Human Resources

5

1323

53

Exec Assistant, VP Stores

6

1325

51

Exec Assistant, Legal Counsel

8

1329

48

Store Manager

3.1 把后三列设为索引后交换内外两层
df_3 = df.set_index([*df.columns[-3:]]).reorder_levels([2,1,0])
df_3.head(3)



EmployeeID

birthdate_key

age

city_name

gender

job_title

department

M

CEO

Executive

1318

1/3/1954

61

Vancouver

F

VP Stores

Executive

1319

1/3/1957

58

Vancouver

Legal Counsel

Executive

1320

1/2/1955

60

Vancouver

3.2 恢复中间一层
df_3.reset_index('job_title',inplace=True)
df_3.head(3)



job_title

EmployeeID

birthdate_key

age

city_name

gender

department

M

Executive

CEO

1318

1/3/1954

61

Vancouver

F

Executive

VP Stores

1319

1/3/1957

58

Vancouver

Executive

Legal Counsel

1320

1/2/1955

60

Vancouver

3.3 修改外层索引名为Gender
df_3.rename_axis(index={'gender':'Gender'},inplace=True)
df_3.head(3)



job_title

EmployeeID

birthdate_key

age

city_name

Gender

department

M

Executive

CEO

1318

1/3/1954

61

Vancouver

F

Executive

VP Stores

1319

1/3/1957

58

Vancouver

Executive

Legal Counsel

1320

1/2/1955

60

Vancouver

3.4 用下划线合并两层行索引
df_3.index = df_3.index.map(lambda x: (f'{x[0]}_{x[1]}'))
df_3.head(3)



job_title

EmployeeID

birthdate_key

age

city_name

M_Executive

CEO

1318

1/3/1954

61

Vancouver

F_Executive

VP Stores

1319

1/3/1957

58

Vancouver

F_Executive

Legal Counsel

1320

1/2/1955

60

Vancouver

3.5 把行索引拆分为原状态
df_3.index = df_3.index.map(lambda x: (*x.split('_'),))
df_3.head(3)



job_title

EmployeeID

birthdate_key

age

city_name

M

Executive

CEO

1318

1/3/1954

61

Vancouver

F

Executive

VP Stores

1319

1/3/1957

58

Vancouver

Executive

Legal Counsel

1320

1/2/1955

60

Vancouver

3.6 修改索引名为原表名称
df_3.rename_axis(mapper=['gender','department'],inplace=True)
df_3.head(3)



job_title

EmployeeID

birthdate_key

age

city_name

gender

department

M

Executive

CEO

1318

1/3/1954

61

Vancouver

F

Executive

VP Stores

1319

1/3/1957

58

Vancouver

Executive

Legal Counsel

1320

1/2/1955

60

Vancouver

3.7 恢复默认索引并将列保持为原表的相对位置
df_3.reset_index().reindex(columns=df.columns).equals(df)
True

Ex2:巧克力数据集

现有一份关于巧克力评价的数据集:

df = pd.read_csv('../data/chocolate.csv')
df.head(3)



Company

Review\nDate

Cocoa\nPercent

Company\nLocation

Rating

0

A. Morin

2016

63%

France

3.75

1

A. Morin

2015

70%

France

2.75

2

A. Morin

2015

70%

France

3.00

  1. 把列索引名中的\n替换为空格。
  2. 巧克力Rating评分为1至5,每0.25分一档,请选出2.75分及以下且可可含量Cocoa Percent高于中位数的样本。
  3. Review DateCompany Location设为索引后,选出Review Date在2012年之后且Company Location不属于France, Canada, Amsterdam, Belgium的样本。

My solution :

  1. 把列索引名中的\n替换为空格。
df.rename(columns=lambda x:x.replace('\n',' '),inplace=True)
df.head(3)



Company

Review Date

Cocoa Percent

Company Location

Rating

0

A. Morin

2016

63%

France

3.75

1

A. Morin

2015

70%

France

2.75

2

A. Morin

2015

70%

France

3.00

  1. 巧克力Rating评分为1至5,每0.25分一档,请选出2.75分及以下且可可含量Cocoa Percent高于中位数的样本。
df['Cocoa Percent'] = df['Cocoa Percent'].apply(lambda x:float(x[:-1])*0.01)
df.loc[(df.Rating<=2.75) & (df['Cocoa Percent'] > df['Cocoa Percent'].median())].head(3)



Company

Review Date

Cocoa Percent

Company Location

Rating

33

Akesson's (Pralus)

2010

0.75

Switzerland

2.75

34

Akesson's (Pralus)

2010

0.75

Switzerland

2.75

36

Alain Ducasse

2014

0.75

France

2.75

  1. Review DateCompany Location设为索引后,选出Review Date在2012年之后且Company Location不属于France, Canada, Amsterdam, Belgium的样本。
df_3 = df.set_index(['Review Date','Company Location']).sort_index()
df_3.head(3)



Company

Cocoa Percent

Rating

Review Date

Company Location

2006

Belgium

Cote d' Or (Kraft)

0.70

1.0

Belgium

Dolfin (Belcolade)

0.70

1.5

Belgium

Neuhaus (Callebaut)

0.73

2.0

idx = pd.IndexSlice
df_3.loc[idx[2012:,~df_3.index.get_level_values(1).isin(['France','Canada','Amsterdam','Belgium'])],:]



Company

Cocoa Percent

Rating

Review Date

Company Location

2012

Australia

Bahen & Co.

0.70

3.00

Australia

Bahen & Co.

0.70

2.50

Australia

Bahen & Co.

0.70

2.50

Australia

Cravve

0.75

3.25

Australia

Cravve

0.65

3.25

...

...

...

...

...

2017

U.S.A.

Spencer

0.70

3.75

U.S.A.

Spencer

0.70

3.50

U.S.A.

Spencer

0.70

2.75

U.S.A.

Xocolla

0.70

2.75

U.S.A.

Xocolla

0.70

2.50

972 rows × 3 columns



https://www.xamrdz.com/lan/5y61932683.html

相关文章: