Pandas 必备操作之 Index
1 index
pandas 中的 index 是行索引或行标签。行标签可以说是 pandas 的灵魂一签，支撑了 pandas 很多强大的业务功能，比如多个数据框的 join, merge 操作，自动对齐等。
下面总结几个平时常用的关于 index 的操作
2 列转 index
有时，我们想把现有的数据框的某些列转化为 index，为之后的更多操作做准备。列转 index 实现方法如下：
In [1]: import pandas as pd
In [2]: df1 = pd.DataFrame({'a':[1,3,5],'b':[9,4,12]})
In [3]: df1Out[3]: a b0 1 91 3 42 5 12
In [4]: df1.set_index('a',drop=False) Out[4]: a ba1 1 93 3 45 5 12
In [5]: df1.set_index('a',drop=True) Out[5]: ba1 93 45 123 index 转列
操作完成后，想再还原，即 index 转化为列，操作如下：
In [9]: df2.reset_index('a',drop=True) Out[9]: b0 91 42 12
In [10]: df2.reset_index('a',drop=False) Out[10]: a b0 1 91 3 42 5 124 index, 随心所欲
如果想按照某种规则，重新排序行数据或列数据，靠一个函数就可以做到，它就是 reindex, 设置一个
In [3]: df1Out[3]: a b0 1 91 3 42 5 12
In [12]: df1.reindex([0,3,2,1]) Out[12]: a b0 1.0 9.03 NaN NaN2 5.0 12.01 3.0 4.0df1 原来有的行索引会重新按照最新的索引[0,3,2,1]重新对齐，原来没有的行索引 3，默认数据都填充为 NaN.
列数据的调整，也一样通过 reindex 实现，如下：
In [13]: df1.reindex(columns=['b','a','c']) Out[13]: b a c0 9 1 NaN1 4 3 NaN2 12 5 NaN以上是关于 index 调整的某些策略。
5 留一个问题
如何判断一个数据框中某行数据等于某个Series，比如：
In [19]: dfOut[19]: a b0 1 61 2 22 5 8s = pd.Series([5,8],index=['a','b']) # df的 index=2 等于s, 所以为 Trues1 = pd.Series([89,8],index=['a','b']) # False本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-04-26，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读