Python数据分析之pandas（四）

1 层级索引

目前为止，我们讨论的都是1维或2维的数据。但在现实中，我们也经常会遇到更高维的数据，这时，层级索引或者说多层索引就会发挥它的作用。

那么如何来创建一个多层索引呢，最直接的办法就是创建一个由二维数组构成的索引：

除此之外，我们还可以直接创建一些索引对象，随后在index中引用即可：

我们还能给索引设置名称，使用index的names属性即可：

既然有行层级索引，相应的，列也可以有多级索引。创建方法跟行类似，在columns中创建多层索引即可。

如果想要使用切片，则索引必须按顺序排列，可以用sort_index()来进行排序。我们还可以将DataFrame类型的多层索引转换为Series类型的多层索引，用stack()方法就能实现：

而unstack是stack的相反操作，所以再次使用unstack则能回到原数据集的形式：

除此之外，还可以设置不同的索引层级，来进行unstack操作：

还可使用转置：

2 合并数据集

pandas中我们用concat函数来进行合并操作：

上图中我们把两个Series对象合并，默认为axis=0进行合并，而且即使索引重复也会保留。如果要进行水平方向的合并，则需指定axis=1.

另外，如果我们不想要重复的索引，可以在concat函数中设置参数ignore_index为true：

当然，我们也可以合并更高维的数据，比如DataFrame类型的数据集：

我们将上面的df与df1进行合并：

可以看到，在合并时，若列名不同，则会出现NaN。若只希望列名相同的列进行合并，可以设定参数join为inner。（默认为outer，进行全部列的合并）

此外，在进行行方向的合并时，还可以用append来实现，语法更为简洁：

其效果等同于pd.concat([df,df1])。

好了，这就是今天的全部内容，下次再会。