数据分析索引总结（中）Pandas多级索引

Posted 2023-01-01

 Datawhale干货 

作者：闫钟峰，Datawhale优秀学习者

寄语：本文介绍了创建多级索引、多层索引切片、多层索引中的slice对象、索引层的交换等内容。

创建多级索引

1. 通过from_tuple或from_arrays

① 直接从元组列表创建多重索引

tuples = [(A,a),(A,b),(B,a),(B,b)]
mul_index = pd.MultiIndex.from_tuples(tuples, names=(Upper, Lower))
pd.DataFrame(Score:[perfect,good,fair,bad],index=mul_index

② 利用zip创建元组

多重索引本质上的结构是一个由元组构成的list

L1 = list(AABB)
L2 = list(abab)
tuples = list(zip(L1,L2))
mul_index = pd.MultiIndex.from_tuples(tuples, names=(Upper, Lower))
pd.DataFrame(Score:[perfect,good,fair,bad],index=mul_index)

注意,如果用于创建多重索引的由tuple组成的list本身是未排序的, 那么创建的df也未排序。

pd.DataFrame(Score:[perfect,good,fair,bad],index=pd.MultiIndex.from_tuples(list(zip(L2,L1)), names=(Lower, Upper)))

为了便于使用, 可以使用sort_index()进行排序

pd.DataFrame(Score:[perfect,good,fair,bad],index=pd.MultiIndex.from_tuples(list(zip(L2,L1)), names=(Lower, Upper))).sort_index()

③ 通过Array(或列表构成的列表)创建

内层的list会自动转成元组

arrays = [[A,a],[A,b],[B,a],[B,b]]
mul_index = pd.MultiIndex.from_tuples(arrays, names=(Upper, Lower))
pd.DataFrame(Score:[perfect,good,fair,bad],index=mul_index)

如果创建之初未排序，创建的多重索引也是未排序的

arrays = [[A,a],[B,a],[A,b],[B,b]]
mul_index = pd.MultiIndex.from_tuples(arrays, names=(Upper, Lower))
pd.DataFrame(Score:[perfect,good,fair,bad],index=mul_index)

尽管多重索引内部是个由tuple组成的list, 但由于顺序不同, 并不能视为相等的多重索引。但直接比较两个顺序不同的多重索引, 返回值是一个布尔值array, 并不如预期的那样。

sorted_multi_index=pd.DataFrame(Score:[perfect,good,fair,bad],index=mul_index).sort_index().index
sorted_multi_index==mul_index

如果是两个list, 改变顺序后与原始list相比较, 返回值只有一个 False。

[(A, a),  (B, a), (A, b), (B, b)]==[(A, a),  (A, b), (B, a), (B, b)]

创建一个由二元list构成的list

arr=np.random.randint(1,5,20).reshape(-1,2)

必须把array转化为list才能用pd.MultiIndex.from_tuples 函数创建层次化索引。

pd.MultiIndex.from_tuples(list(arr),names=(left,right))

使用上述多重索引创建df后,要记得多加一个sort_index(), 以使得df的结果看起来更整齐。

dftemp=pd.DataFrame(np.random.randn(20).reshape(10,2), index=pd.MultiIndex.from_tuples(list(arr),names=(left,right))).sort_index()

多重索引构造器

pd.MultiIndex.from_tuples??
# tuples: list / sequence of tuple-likes Each tuple is the index of one row/column.

2. 通过from_product

笛卡尔乘积---可能很多时候并不需要用笛卡儿积的所有结果作为索引。

L1 = [A,B]
L2 = [a,b]
pd.MultiIndex.from_product([L1,L2],names=(Upper, Lower))

Make a MultiIndex from the cartesian product of multiple iterables.
# iterables : list / sequence of iterables  Each iterable has unique labels for each level of the index.
pd.MultiIndex.from_product??

3. 指定df中的列创建（set_index方法）

传入两个以上的列名时,必须以list的形式传入(tuple不行)。注意原来的索引ID已经被丢弃了--这是因为set_index的 drop 参数默认值  drop=True。

df_using_mul = df.set_index([Class,Address]) 
df_using_mul.head()

由于drop参数默认值是True，上述语法并不等价于分别将两列设置为索引。

df1= df.set_index(Class)

第二次将某列设置为索引时,会丢弃原来的索引

df2 = df1.set_index(Address)

第二次指定索引时,必须指定参数 append=True 才会保留原来的索引---这个参数默认是False(丢弃原始索引)。

df3= df1.set_index(Address,append=True)

df.set_index??

多层索引切片

使用第一层的索引,会把该索引下的所有行都选中,除非该索引的二级索引只有一个,否则返回行数不会等于一行。

df_using_mul.loc[C_1]

如何获取次级索引为指定值的行?? 

方法1：交换索引层级

df_using_mul.swaplevel(Class,Address).loc[street_1]

方法2： 使用针对索引的 get_level_values 函数,指定索引层级为第二层

df_using_mul.loc[df_using_mul.index.get_level_values(1) == street_1]

df_using_mul.index.names
df_using_mul.index.get_level_values??

方法3：使用query方法,传入 次级索引名称等于指定值--需要使用引号 

df_using_mul.query(Address == "street_1")

相当于将内层索引当作列，等价于

select * from df_using_mul where Address = street_1

对原始df使用query可以获取同样的行

df.query(Address=="street_1")

方法4：使用pd.IndexSlice对层次索引按次级索引的值进行切片

df_using_mul.loc(axis=0)[pd.IndexSlice[:, street_1]]

pd.IndexSlice??

1. 一般切片

当索引不排序时，单个索引会报出性能警告

df_using_mul.loc[C_2,street_5]

该函数检查索引是否排序

df_using_mul.index.is_lexsorted()

根据索引排序后不再报出性能警告

df_using_mul.sort_index().loc[C_2,street_5]

当不排序时，不能使用多层切片

df_using_mul.loc[(C_2,street_5):] 报错

故先要进行排序，注意此处由于使用了loc，因此仍然包含右端点

df_using_mul.sort_index().loc[(C_2,street_6):(C_3,street_4)]

使用索引标签进行切片, 是个闭区间非元组也是合法的，表示选中该层所有元素

df_using_mul.sort_index().loc[(C_2,street_7):C_3].head()
df_using_mul.sort_index().loc[C_1:C_2]#.head(10)

2. 第一类特殊情况：由元组构成列表

选出某几个元素，每个元组的第一个元素是第一层索引的可能取值,元组的第二个元素是第二层索引的可能取值...精确到最内层索引

df_using_mul.sort_index().loc[[(C_2,street_7),(C_3,street_2)]]

如果第一个本应该是元组的地方传入了一个元素, 不会报错, 但结果与预期不一样。

df_using_mul.sort_index().loc[[C_2,(C_3,street_2)]]

但是反过来, 第一个传入元组, 第二个传入一个元素, 就会报错TypeError: Expected tuple, got str。

所以这里大概是有一个自动推断的过程：如果第一个位置是元组,那就默认是按照元组的相应位置去对应相应层级的索引的值；如果第一个位置是元素, 那就默认直接对应第一层索引的相应取值。

df_using_mul.sort_index().loc[[(C_2,street_7),C_3]]

上边不会报错,但结果与预期不一样,是由于第一层索引没有以元组(C_3,street_2)为索引的。

使用元素和元组组成的切片时, 就不会报错了, 但这时候需注意传入的切片不应该再包含在[]内。

df_using_mul.sort_index().loc[C_2:(C_3,street_2)]

3. 第二类特殊情况：由列表构成元组

选出第一层在‘C_2’和C_3中且第二层在street_4和street_7中的行。

df_using_mul.sort_index().loc[([C_2,C_3],[street_4,street_7]),:]

注意，loc方法必须是先选行再选列，因此列表构成的元组后的逗号和冒号不能省略。

df_using_mul.sort_index().loc[([C_2,C_3],[street_4,street_7])]
# KeyError: "None of [Index([street_4, street_7], dtype=object)] are in the [columns]"

下面语句不等价于使用zip将两个list绑定，而是等价于将两个list做笛卡尔乘积。

df_using_mul.sort_index().loc[zip([C_2,C_3],[street_4,street_7]),:]

定义一个为两个list做笛卡尔乘积的函数

def list_product(list1,list2):
    lst=[]
    for a in list1:
        for b in list2:
            lst.append((a,b))
    return lst

实际上, 传入两个列表,相当于将两个list做笛卡尔乘积--这说明两个列表并不需要长度相等。

df_using_mul.sort_index().loc[list_product([C_2,C_3], [street_4,street_7]),:]

传入两个不等长的list的笛卡尔乘积

df_using_mul.sort_index().loc[list_product([C_2,C_3], [street_1,street_4,street_7]),:]

和传入两个list组成的元组效果是一致的。

df_using_mul.sort_index().loc[([C_2,C_3], [street_1,street_4,street_7]),:]

多层索引中的slice对象

行索引和列索引均有两个层级

L1,L2 = [A,B,C],[a,b,c]
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=(Upper, Lower))
L3,L4 = [D,E,F],[d,e,f]
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=(Big, Small))
df_s = pd.DataFrame(np.random.rand(9,9),index=mul_index1,columns=mul_index2)
df_s

# Create an object to more easily perform multi-index slicing.
pd.IndexSlice??

索引Slice的使用非常灵活

df_s.sum()默认为对列求和，因此返回一个长度为9的数值列表。

df_s.loc[pd.IndexSlice[B:,df_s[D][d]>0.3],pd.IndexSlice[df_s.sum()>4]]
# 对行的筛选等价于 select * from (select * from df_s where (Upper>B or D_d>0.3) )
# 如果不使用连接等手段, sql无法实现类似的对列名的筛选---特别地,sql中没有层级索引

接下来使用pd.IndexSlice函数找出那些列的和大于4的列，分解开来看--列的筛选。

pd.IndexSlice[df_s.sum()>4]

分解开来看--行的筛选，注意观察发现,最终结果没有第一次行索引为A的, 但下边的结果中第一层索引为A的有等于True的--这是因为前边还有个slice,表示的是前边的从B开始的切片。

pd.IndexSlice[B:,df_s[D][d]>0.3]

去掉切片

pd.IndexSlice[df_s[D][d]>0.3]

最终，被传递给loc的是两个布尔值的Series，和原始的Series对齐，然后根据布尔值是否为真筛选出最终的结果。

df_s.loc[pd.IndexSlice[B:,df_s[D][d]>0.3],pd.IndexSlice[df_s.sum()>4]]

索引层的交换

1. swaplevel方法（两层交换）

df_using_mul.head()

交换索引后, 使用sort_index使得显示结果更加整齐。

df_using_mul.swaplevel(i=1,j=0,axis=0).sort_index().head()

# Swap levels i and j in a MultiIndex on a particular axis.
# 有必要增加一个sort_index=True的参数, 使得可以通过该参数设置交换索引后是否按索引重新排序
df_using_mul.swaplevel??

2. reorder_levels方法（多层交换）

df_muls = df.set_index([School,Class,Address])
df_muls.head(10)

传入的第一个参数是一个类list的对象, 是原来索引层级(用默认整数表示)的一个排列。第二个参数指定需要重排索引的轴,0表示行轴,也就是重排行索引的层级。

df_muls.reorder_levels([2,0,1],axis=0).sort_index().head()

如果索引有name，可以直接使用name的一个排列

df_muls.reorder_levels([Address,School,Class],axis=0).sort_index().head()

# Rearrange index levels using input order. May not drop or duplicate levels.
# 注意后一句话--这使得该函数和df的类似函数 reindex 相比功能更弱
df_muls.reorder_levels??

​方便学习 后台回复 索引 可下载完整PDF（上中下）​

“为沉迷学习点赞↓