请注意，第一列中缺少某些条目：在多重索引表示中，任何空白条目都表示与其上方的行相同的值。...作为额外维度的MultiIndex 你可能会注意到其他内容：我们可以使用带有索引和列标签的简单DataFrame，来轻松存储相同的数据。事实上，Pandas 的构建具有这种等价关系。...列的MultiIndex 在DataFrame中，行和列是完全对称的，就像行可以有多个索引层次一样，列也可以有多个层次。...重排分层数据的另一种方法是将索引标签转换为列；这可以通过reset_index方法完成。...，原始输入数据看起来像这样，从列值构建MultiIndex会有用。
MultiIndex 剖析 MultiIndex 对于没有听说过Pandas的人来说，MultiIndex最直接的用法是使用第二个索引列作为第一个索引列的补充，可以更加独特地识别每一行。...这个方法无法同时过滤行和列，所以名字xs（代表 "cross-section"）背后的原因并不完全清楚。它不能用于设置值。...这意味着你不能用它来实现df[:, 'population']，而不需要转置DataFrame（除非所有列都是相同的类型，否则会丢失类型）。...将MultiIndex转换为flat的索引并将其恢复 方便的查询方法只解决了处理行中MultiIndex的复杂性。...一种方法是将所有不相关的列索引层层叠加到行索引中，进行必要的计算，然后再将它们解叠回来（使用pdi.lock来保持原来的列顺序）。
explode()：将类似列表的值的列转换为单独的行。 crosstab()：计算多个一维因子数组的交叉制表。 cut()：将连续变量转换为离散的分类值。...具有多个未用作列或索引输入的值列，则生成的“透视”DataFrame将具有分层列，其最顶层指示相应的值列： In [5]: df["value2"] = df["value"] * 2 In [6]:...“压缩”为以下之一： 在列中具有Index的情况下的Series。...、类似列表的值的`DataFrame`列，`explode()` 将每个类似列表的值转换为单独的行。...、类似列表的值的 DataFrame 列，explode() 将每个类似列表的值转换为单独的行。
多层索引由levels和codes构成。 注： 1 这里多维索引的levels是元组的元素的值。 2 这里多维索引的codes是对元组元素进行的编码，如0，1，2等。...它的特点是同层(维)的索引值会重复。...#通过xs对多层索引对象的索引和列分别访问。...#通过DataFrame的T方法对原有的多层索引进行转置，即原有的列为索引，索引合并为列。...#指定索引序号，通过unstack将该索引转换为列。
切片与索引 获取单个元素 >>> a[2] # 选择第二个索引处的元素 3 >>> b[1,2] # 选择第1行第2列的元素(相当于b[1][2]) 1.5 2 3 6.0 456 获取子集...>>> a[0:2] # 选择索引0和1的项 array([1, 2]) >>> b[0:2,1] # 选择第1列中第0行和第1行中的项目 array([ 2., 5.]) >>> b[:1] #...Stack: 将数据的列索引转换为行索引(列索引可以简单理解为列名) Unstack: 将数据的行索引转换为列索引 >>> stacked = df5.stack() >>> stacked.unstack...col_level : 如果列是MultiIndex，则使用此级别。 宽数据--->>长数据，有点像用excel做透视跟逆透视的过程。...索引选择 >>> df[(df.Country.isin(df2.Type))] # 找到相同的元素 >>> df3.filter(items=["a","b"]) # 过滤值 >>> df.select
这里还要注意一点：由于type列对应了不同的空气质量要素，而不同的空气质量要素具有不同的取值范围，因此在使用describe查看统计信息时，应针对不同的要素进行，这样才有具体意义，才能看出每个要素的值分布...# data.loc[0:5, '1001A':'1005A] # 会出错 ⚠️ 由于行索引已经转换为时间，因此此处不能使用 整数 索引。...: .apply 上面在创建时间索引时便利用了.apply 方法，对date 和 hour列分别进行了数据类型的转换，然后将两个字符串进行了连接，转换为时间。...索引切片： 可以理解成 idx 将 MultiIndex 视为一个新的 DataFrame，然后将上层索引视为行，下层索引视为列，以此来进行数据的查询。...上述操作返回的列仍然是 MultiIndex，因为此时只有一个站点了，我们可以使用 .xs 方法将列从MultiIndex转换为Index。
如果我们使用 Pandas 的 read_csv() 方法读取 csv 文件而不指定任何索引，则生成的 DataFrame 将具有默认的基于整数的索引，第一行从 0 开始，随后每行增加 1： import...DataFrame 索引，并将旧索引转换为与旧索引同名的新列（或名称索引）。...() 方法将 DataFrame 索引重置为默认数字索引，在以下情况下特别有用： 执行数据整理时——尤其是过滤数据或删除缺失值等预处理操作，会导致较小的 DataFrame 具有不再连续的数字索引 当索引应该被视为一个常见的...DataFrame 列，而索引被重置为默认的基于整数的索引 相反，如果我们显式传递 level 的值，则此参数会从 DataFrame 索引中删除选定的级别，并将它们作为常见的 DataFrame 列返回...，但是由于我们没有显式传递 drop 参数，旧索引被转换为列，具有默认名称 index，下面让我们从 DataFrame 中完全删除旧索引： df.reset_index(drop=True) Output
，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。...，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。...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...与单层索引类似， MultiIndex 也具有名字属性，图中的 School 和 Gender 分别对应了表的第一层和第二层行索引的名字， Indicator 和 Grade 分别对应了第一层和第二层列索引的名字
这会将行转换为 Series 对象，这可能会改变 dtypes 并具有一些性能影响。 itertuples()：将 DataFrame 的行作为命名元组的值进行迭代。...元组的第一个元素将是行的相应索引值，而其余值是行值。...元组的第一个元素将是行的相应索引值，而其余值是行值。...Series 并应返回具有相同形状的转换值的 Series 或数组。...，并应返回一个形状相同的 Series 或数组，带有转换后的值。
加法： 对应位置相加 乘法： 标量和每个位置的元素相乘 3.矩阵向量（矩阵）乘法[*****] [M行, N列]*[N行, L列] = [M行, L列]...那么A和B就互为逆矩阵 7.转置 行列互换 4.6 数组间运算[*] 1.数组和数字是直接可以进行运算 2.数组和数组 需要满足广播机制...() 3.设置新索引 对象.set_index() 如果设置索引是两个的时候就是multiIndex 4....MultiIndex和panel -- 类比三维数组[**] 1.MultiIndex 对象.index 对象.index.names...2.panel -- 已经弃用,了解 直接没法进行查看里面的值,需要通过索引获取 对象[:, :, ""] 5.Series -- 一维数组[*
比如，下面这个数据是高考录取分数线，行索引是地区、学校，列索引是年份、专业，分别对应1级和2级索引，因此共有四个维度。 1、多层级索引创建 多级索引的创建分两种情况。...# 数组 # 每个数组对应着一个层级的索引值 arrays = [['北京','北京','上海','上海'],['北大','清华','上交','复旦']] mindex = pd.MultiIndex.from_arrays...= pd.MultiIndex.from_frame(frame, names=['城市','大学']) # 给df行索引赋值 df.index = mindex 通过以上三种方式均可为数据添加行索引值...这种方式生成的索引和我们上面想要的形式不同，因此对行索引不适用，但是我们发现列索引column目前还没指定，此时是默认的1,2,3,4，进一步发现这里的列索引是符合笛卡尔积形式的，因此我们用from_product...set_index(['城市','大学','专业','年份']).unstack().unstack() 以上两种方式结果相同，均可从原数据中抽取列维度数据并设置为行列的多级索引。
pivot pivot函数用于从给定的表中创建出新的派生表 pivot有三个参数: 索引 列 值 def pivot_simple(index, columns, values): """...columns values : ndarray Values to use for populating new frame's values pivot函数将创建一个新表，其行和列索引是相应参数的唯一值...因此，必须确保我们指定的列和行没有重复的数据，才可以用pivot函数 pivot_table方法实现了类似pivot方法的功能 它可以在指定的列和行有重复的情况下使用 我们可以使用均值、中值或其他的聚合函数来计算重复条目中的单个值...，它允许在数据集中聚合具有相同目标的多个值。...堆叠DataFrame意味着移动最里面的列索引成为最里面的行索引，反向操作称之为取消堆叠，意味着将最里面的行索引移动为最里面的列索引。
等宽法 等宽法将属性的值域从最小值到最大值划分成具有相同宽度的区间，具体划分多少个区间由数据本身的特点决定，或者由具有业务经验的用户指定 等频法 等频法将相同数量的值划分到每个区间，保证每个区间的数量基本一致...基于列值重塑数据(生成一个“透视”表)。使用来自指定索引/列的唯一值来形成结果DataFrame的轴。此函数不支持数据聚合，多个值将导致列中的MultiIndex。...，商品一列的唯一数据变换为列索引： # 将出售日期一列的唯一数据变换为行索引，商品一列的唯一数据变换为列索引 new_df = df_obj.pivot(index='出售日期', columns='商品名称...',values='价格(元)') new_df 输出为： 2.2.2 melt方法 melt()是pivot()的逆操作方法，用于将DataFrame类对象的列索引转换为一行数据。...示例代码如下： 查看初始数据 new_df 输出为： # 将列索引转换为一行数据: # 将列索引转换为一行数据 new_df.melt(value_name='价格(元)', ignore_index
DataFrame数据结构的构成 DataFrame数据是Pandas中的基本数据结构，同时具有行索引(index)和列索引(columns)，看起来与Excel表格相似。 ?...设置某一列为行索引 上面的DataFrame数据中，行索引是0~4725的整数，假如要设置日期为行索引，可以使用set_index()方法设置。...将日期设置为行索引后，“日期”这一列数据变成了索引，数据中就不再有日期了。可见，set_index()移动了列的位置，从数据移动到了行索引(但没有删除数据)。...设置多重索引MultiIndex 使用set_index()设置行索引时可以同时设置多个列为行索引。...可以看到，当同时设置“日期”和“股票代码”为行索引后，打印行索引的结果是MultiIndex(多重索引)，而前面打印原始数据的行索引为Index。
pandas系列10-数值操作2 本文是书《对比Excel，轻松学习Python数据分析》的第二篇，主要内容包含 区间切分 插入数据（行或列） 转置 索引重塑 长宽表转换 区间切分 Excel Excel...Python pandas中的转置只需要调用.T方法即可 ? 索引重塑 所谓的索引重塑就是将原来的索引重新进行构造。两种常见的表示数据的结构： 表格型 树形 下面?...是表格型的示意图，通过一个行坐标和列坐标来确定一个数据 ? 下面?是树形的结构示意图：将原来表格型的列索引也变成了行索引，其实就是给表格型数据建立层次化索引 ?...在转换的过程中，宽表和长表中必须要有相同的列。比如将下图的宽表转成长表 宽表： ? 长表： ? 实现过程 stack方法 ? ?...company和name是行索引 Year是列属性 Sale是值
为了使其发挥作用，这两个DataFrame需要有（大致）相同的列。这与NumPy中的vstack类似，你如下图所示： 在索引中出现重复的值是不好的，会遇到各种各样的问题。...通过MultiIndex进行堆叠 如果行和列的标签都重合，concat可以做一个相当于垂直堆叠的MultiIndex（像NumPy的dstack）： 如果行和/或列部分重叠，Pandas将相应地对齐名称...注意：要小心，如果第二个表有重复的索引值，你会在结果中出现重复的索引值，即使左表的索引是唯一的 有时，连接的DataFrame有相同名称的列。...要将其转换为宽格式，请使用df.pivot： 这条命令抛弃了与操作无关的东西（即索引和价格列），并将所要求的三列信息转换为长格式，将客户名称放入结果的索引中，将产品名称放入其列中，将销售数量放入其 "...它将索引和列合并到MultiIndex中： eset_index 如果你想只stack某些列，你可以使用melt： 请注意，熔体以不同的方式排列结果的行。
(index=list(df.index)[::5]) 为index传入的参数可以不是df的原始index中的值---这将引入缺失值构成的行,还可以传入重复索引。...由于df_temp中没有1105这个行索引,因此会引入缺失值。...df_temp1.rename_axis(index={'Upper':'UPPER'}) rename方法用于修改列或者行索引标签，而不是索引名 给index传入的字典,键是原来的索引值, 值是新的索引值...无需指定要修改的索引级别,会自动寻找索引中的相应的值----当不同层级的索引有相同的值的时候,这会造成混乱。...df_t.rename(index={'A':'T'},level=1,columns={'E':'changed_e'},level=0).head() # 显然不能同时指定两个level 一个问题：如果不同层级的索引的索引值有相同的值的时候
解析具有混合时区的 CSV pandas 无法原生表示具有混合时区的列或索引。...sparsify 默认为 True，设置为 False 以在具有分层索引的 DataFrame 中打印每个行的每个 MultiIndex 键。...，因此具有被转换为 UTC 的相同行为。...转换是逐个单元格应用的，而不是整个列，因此不能保证数组 dtype。例如，具有缺失值的整数列无法转换为具有整数 dtype 的数组，因为 NaN 严格是浮点数。...在概念上，`table`的形状非常类似于 DataFrame，具有行和列。`table`可以在相同或其他会话中追加。此外，支持删除和查询类型操作。
，每列可以是不用的类型，数值、字符串、布尔值都可以 DataFrame 本身也有行索引，列索引，字典转 DataFrame 再转置表格才一致。...①字典转为DF类型后，键/key 也默认成为了列索引，与排序不谋而合， ②目前学到的只有列转置，可以用学过的转置，再排序。...(index) #将前面创建的pop的索引重置（reindex）为MultiIndex,就会看到层级索引，结果是单索引的数组 #其中，前两列表示Series的多级索引值，第三列是数据。...第一列中的每个空格与上面的索引相同，这是多级索引的表现形式。...文件得到的DF 原本缺少行索引，下面指定 c3这一列 成为指定行索引。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
