多层索引的创建
普通-多个index创建
- 在创建数据的时候加入一个index列表,这个index列表里面是多个索引列表
Series多层索引的创建方法
import pandas as pd
s = pd.Series([1,2,3,4,5,6],index=[['张三','张三','李四','李四','王五','王五'],
['期中','期末','期中','期末','期中','期末']])
# print(s)
s
张三 期中 1
期末 2
李四 期中 3
期末 4
王五 期中 5
期末 6
dtype: int64
利用 numpy中的随机数
import numpy as np data = np.random.randint(0,100,size=(6,3)) # np.random.randint(0,100,size=(6,3))是使用numpy中的随机模块random中，生成随机整数方法randint， # 里面的参数size是指定生成6行3列的数据，并且每个数字的范围在0到100之间 data
array([[44, 66, 67],
[82, 52, 0],
[34, 78, 23],
[38, 4, 43],
[60, 62, 40],
[57, 9, 11]])
Dataframe多层索引创建
import pandas as pd
import numpy as np
data = np.random.randint(0,100,size=(6,3))
df = pd.DataFrame(data,index=[['张三','张三','李四','李四','王五','王五'],
['期中','期末','期中','期末','期中','期末']],
columns=['Java','Web','Python'])
df
| Java | Web | Python | ||
|---|---|---|---|---|
| 张三 | 期中 | 68 | 4 | 90 |
| 期末 | 33 | 63 | 73 | |
| 李四 | 期中 | 30 | 13 | 68 |
| 期末 | 14 | 18 | 48 | |
| 王五 | 期中 | 34 | 66 | 26 |
| 期末 | 89 | 10 | 35 |
简化创建-from_product()
import pandas as pd import numpy as np data = np.random.randint(0,100,size=(6,3)) names = ['张三','李四','王五'] exam = ['期中','期末'] index = pd.MultiIndex.from_product([names,exam]) df = pd.DataFrame(data,index=index,columns=['Java','Web','Python']) # print(df) df
| Java | Web | Python | ||
|---|---|---|---|---|
| 张三 | 期中 | 51 | 78 | 47 |
| 期末 | 39 | 53 | 36 | |
| 李四 | 期中 | 33 | 60 | 83 |
| 期末 | 90 | 55 | 3 | |
| 王五 | 期中 | 37 | 45 | 66 |
| 期末 | 6 | 82 | 71 |
from_product()在这个里面的列表中位置不同, 产生的索引页会不同
index = pd.MultiIndex.from_product([exam, names]) df = pd.DataFrame(data,index=index,columns=['Java','Web','Python']) # print(df) df
| Java | Web | Python | ||
|---|---|---|---|---|
| 期中 | 张三 | 51 | 78 | 47 |
| 李四 | 39 | 53 | 36 | |
| 王五 | 33 | 60 | 83 | |
| 期末 | 张三 | 90 | 55 | 3 |
| 李四 | 37 | 45 | 66 | |
| 王五 | 6 | 82 | 71 |
from_product([exam,names])会将列表中第一个元素作为最外层索引，依次类推
多层索引的取值
获取到我们想要的数据
获取多层索引Series中的数据
创建数据
import pandas as pd
s = pd.Series([1,2,3,4,5,6],index=[['张三','张三','李四','李四','王五','王五'],
['期中','期末','期中','期末','期中','期末']])
print(s)
张三 期中 1
期末 2
李四 期中 3
期末 4
王五 期中 5
期末 6
dtype: int64
可以直接使用[]的方式取最外面的一个层级 s[‘张三']
s['李四'] # 注意：[]取值方式，不可直接使用最外层以外的其他层级，例如：s['期末']
期中 3
期末 4
dtype: int64
使用['外索引', '内索引'], 获取某个数据
注意：[‘张三',‘期末']他们的顺序不能变。剥洋葱原则，从外到内一层一层的剥。
s['李四', '期中'] # 李四期中分值 # 注意：['张三','期末']他们的顺序不能变。剥洋葱原则，从外到内一层一层的剥。
3
使用[]的切片，获取数据s[:,‘期中']
s[:,'期中'] # 第一个值为全部的外索引
张三 1
李四 3
王五 5
dtype: int64
使用 loc
- loc 使用的是标签suoyin
- iloc使用的是位置索引
# loc 使用方式与 [] 的方式基本一样 s.loc['张三'] s.loc['张三','期中'] s.loc[:,'期中'] # iloc 的取值并不会受多层索引影响，只会根据数据的位置索引进行取值, 不推荐
张三 1
李四 3
王五 5
dtype: int64
多层索引DataFrame的取值
在对多层索引DataFrame的取值是，推荐使用 loc() 函数
import pandas as pd import numpy as np #size参数是指定生成6行3列的数组 data = np.random.randint(0,100,size=(6,3)) names = ['张三','李四','王五'] exam = ['期中','期末'] index = pd.MultiIndex.from_product([names,exam]) df = pd.DataFrame(data,index=index,columns=['Java','Web','Python']) df
| Java | Web | Python | ||
|---|---|---|---|---|
| 张三 | 期中 | 3 | 40 | 52 |
| 期末 | 74 | 38 | 85 | |
| 李四 | 期中 | 7 | 28 | 16 |
| 期末 | 9 | 25 | 0 | |
| 王五 | 期中 | 13 | 24 | 8 |
| 期末 | 49 | 46 | 1 |
三种方式都可以获取张三期中各科成绩
# df.loc['张三','期中']
# df.loc['张三'].loc['期中']
# df.loc[('张三','期中')]
注意：DataFrame中对行索引的时候和Series有一个同样的注意点，就是无法直接对二级索引直接进行索引，必须让二级索引变成一级索引后才能对其进行索引
多层索引的排序
- 使用sort_index() 排序
- level参数可以指定是否按照指定的层级进行排列
- 第一层索引值为0, 第二层索引的值为1
创建数据
import pandas as pd data = np.random.randint(0,100,size=(9,3)) key1 = ['b','c','a'] key2 = [2,1,3] index = pd.MultiIndex.from_product([key1,key2]) df = pd.DataFrame(data,index=index,columns=['Java','Web','Python']) df
| Java | Web | Python | ||
|---|---|---|---|---|
| b | 2 | 56 | 82 | 81 |
| 1 | 84 | 16 | 55 | |
| 3 | 35 | 25 | 86 | |
| c | 2 | 76 | 1 | 76 |
| 1 | 36 | 28 | 94 | |
| 3 | 79 | 70 | 97 | |
| a | 2 | 25 | 17 | 30 |
| 1 | 38 | 38 | 78 | |
| 3 | 41 | 75 | 90 |
排序
- DataFrame按行索引排序的方法是sort_index()
- 如果直接使用的话,不传参数, 会把每一层索引根据值进行升序排序
df.sort_index()
| Java | Web | Python | ||
|---|---|---|---|---|
| a | 1 | 18 | 60 | 74 |
| 2 | 66 | 87 | 27 | |
| 3 | 96 | 18 | 64 | |
| b | 1 | 72 | 58 | 52 |
| 2 | 22 | 31 | 22 | |
| 3 | 31 | 12 | 83 | |
| c | 1 | 6 | 54 | 96 |
| 2 | 9 | 47 | 18 | |
| 3 | 31 | 63 | 4 |
# 当level=0时，ascending=False, 会根据第一层索引值进行降序排序 df.sort_index(level=0,ascending=False)
| Java | Web | Python | ||
|---|---|---|---|---|
| c | 3 | 79 | 70 | 97 |
| 2 | 76 | 1 | 76 | |
| 1 | 36 | 28 | 94 | |
| b | 3 | 35 | 25 | 86 |
| 2 | 56 | 82 | 81 | |
| 1 | 84 | 16 | 55 | |
| a | 3 | 41 | 75 | 90 |
| 2 | 25 | 17 | 30 | |
| 1 | 38 | 38 | 78 |
# 当level=1时，会根据第二层索引值进行降序排序 df.sort_index(level=1,ascending=False) # 数据会根据第二层索引值进行相应的降序排列， # 如果索引值相同时会根据其他层索引值排列
| Java | Web | Python | ||
|---|---|---|---|---|
| c | 3 | 79 | 70 | 97 |
| b | 3 | 35 | 25 | 86 |
| a | 3 | 41 | 75 | 90 |
| c | 2 | 76 | 1 | 76 |
| b | 2 | 56 | 82 | 81 |
| a | 2 | 25 | 17 | 30 |
| c | 1 | 36 | 28 | 94 |
| b | 1 | 84 | 16 | 55 |
| a | 1 | 38 | 38 | 78 |
通过level设置排序的索引层级，其他层索引也会根据其排序规则进行排序
到此这篇关于pandas多层索引的创建和取值以及排序的实现的文章就介绍到这了,更多相关pandas多层索引内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
