介绍 Pandas 实战中一些高端玩法

Posted 2022-05-25 AI科技大本营

作者 | 俊欣

来源 | 关于数据分析与可视化

相信大家平常在工作学习当中，需要处理的数据集是十分复杂的，数据集当中的索引也是有多个层级的，那么今天小编就来和大家分享一下DataFrame数据集当中的分层索引问题。

什么是多重/分层索引

多重/分层索引(MultiIndex)可以理解为堆叠的一种索引结构，它的存在为一些相当复杂的数据分析和操作打开了大门，尤其是在处理高纬度数据的时候就显得十分地便利，我们首先来创建带有多重索引的DataFrame数据集

多重索引的创建

首先在“列”方向上创建多重索引，即我们在调用columns参数时传递两个或者更多的数组，代码如下

df1 = pd.DataFrame(np.random.randint(0, 100, size=(2, 4)),
                   index= ['ladies', 'gentlemen'],
                   columns=[['English', 'English', 'French', 'French'],
                            ['like', 'dislike', 'like', 'dislike']])

output

那么同理我们想要在“行”方向上存在多重索引，则是在调用index参数的时候传递两个或者更多数组即可，代码如下

df = pd.DataFrame(np.random.randint(0, 100, size=(4, 2)),
                   index= [['English','', 'Chinese',''],
                           ['like','dislike','like','dislike']],
                   columns=['ladies', 'gentlemen'])

output

除此之外，还有其他几种常见的方式来创建多重索引，分别是

• pd.MultiIndex.from_arrays

• pd.MultiIndex.from_frame

• pd.MultiIndex.from_tuples

• pd.MultiIndex.from_product

小编这里就挑其中的一种来为大家演示如何来创建多重索引，代码如下

df2 = pd.DataFrame(np.random.randint(0, 100, size=(4, 2)), 
                   columns= ['ladies', 'gentlemen'],
                   index=pd.MultiIndex.from_product([['English','French'],
                                                    ['like','dislike']]))

output

获取多重索引的值

接下来我们来看一下怎么获取带有多重索引的数据集当中的数据，使用到的数据集是英国三大主要城市伦敦、剑桥和牛津在2019年全天的气候数据，如下所示

import pandas as pd
from pandas import IndexSlice as idx 

df = pd.read_csv('dataset.csv',
    index_col=[0,1],
    header=[0,1]
)
df = df.sort_index()
df

output

在“行”索引上，我们可以看到是“城市”以及“日期”这两个维度，而在“列”索引上，我们看到的是则是“不同时间段”以及一些“气温”等指标，首先来看一下“列”方向多重索引的层级，代码如下

df.columns.levels

output

FrozenList([['Day', 'Night'], ['Max Temperature', 'Weather', 'Wind']])

我们想要获取第一层级上面的索引值，代码如下

df.columns.get_level_values(0)

output

Index(['Day', 'Day', 'Day', 'Night', 'Night', 'Night'], dtype='object')

那么同理，第二层级的索引值，只是把当中的0替换成1即可，代码如下

df.columns.get_level_values(1)

output

Index(['Weather', 'Wind', 'Max Temperature', 'Weather', 'Wind',
       'Max Temperature'],
      dtype='object')

那么在“行”方向上多重索引值的获取也是一样的道理，这里就不多加以赘述了

数据的获取

那么涉及到数据的获取，方式也有很多种，最常用的就是loc()方法以及iloc()方法了，例如

df.loc['London' , 'Day']
## 或者是
df.loc[('London', ) , ('Day', )]

output

通过调用loc()方法来获取第一层级上的数据，要是我们想要获取所有“行”的数据，代码如下

df.loc[:, 'Day']
## 或者是
df.loc[:, ('Day',)]

output

或者是所有“列”的数据，代码如下

df.loc['London' , :]
## 或者是
df.loc[('London', ) , :]

output

当然我们也可以这么来做，在行方向上指定第二层级上的索引，代码如下

df.loc['London' , '2019-07-02']
## 或者是
df.loc[('London' , '2019-07-02')]

output

多重索引的数据获取

假设我们想要获取剑桥在2019年7月3日白天的数据，代码如下

df.loc['Cambridge', 'Day'].loc['2019-07-03']

output

在第一次调用loc['Cambridge', 'Day']的时候返回的是DataFrame数据集，然后再通过调用loc()方法来提取数据，当然这里还有更加快捷的方法，代码如下

df.loc[('Cambridge', '2019-07-01'), 'Day']

我们需要传入元祖的形式的索引值来进行数据的提取。要是我们不只是想要获取单行或者是单列的数据，可以这么来操作

df.loc[ 
    ('Cambridge' , ['2019-07-01','2019-07-02'] ) ,
    'Day'
]

output

或者是获取多列的数据，代码如下

df.loc[ 
    'Cambridge' ,
    ('Day', ['Weather', 'Wind'])
]

output

我们要是想要获取剑桥在2019年7月1日到3日，连续3天的白天气候数据，代码如下

df.loc[
    ('Cambridge', '2019-07-01': '2019-07-03'),
    'Day'
]

output

这么来写是会报语法错误的，正确的方法应该是这么来做，

df.loc[
    ('Cambridge','2019-07-01'):('London','2019-07-03'),
    'Day'
]

xs()方法的调用

小编另外推荐xs()方法来指定多重索引中的层级，例如我们只想要2019年7月1日各大城市的数据，代码如下

df.xs('2019-07-01', level='Date')

output

还能够接受多个维度的索引，例如想要获取伦敦在2019年7月4日的全天数据，代码如下

df.xs(('London', '2019-07-04'), level=['City','Date'])

output

另外还有axis参数来指定是获取“列”方向还是“行”方向上的数据，例如我们想要获取“Weather”这一列的数据，代码如下

df.xs('Weather', level=1, axis=1)

output

当中的level参数代表的是层级，我们将其替换成0，看一下出来的结果

df.xs('Day', level=0, axis=1)

output

筛选出来的是三个主要城市2019年白天的气候数据

IndexSlice()方法的调用

同时Pandas内部也提供了IndexSlice()方法来方便我们更加快捷地提取出多重索引数据集中的数据，代码如下

from pandas import IndexSlice as idx
df.loc[ 
    idx[: , '2019-07-04'], 
    'Day'
]

output

我们同时可以指定行以及列方向上的索引来进行数据的提取，代码如下

rows = idx[: , '2019-07-02']
cols = idx['Day' , ['Max Temperature','Weather']]
df.loc[rows, cols]

output

往期回顾

一文介绍Pandas中的9种数据访问方式

“由于一段Python代码，我的号被封了”

云上风景虽好，但不要盲目跟风！

如何用一行Python代码制作一个GUI？

分享
点收藏
点点赞
点在看