当前位置:

首页 > 编程开发 > Python Pandas中创建多层索引MultiIndex的方法有哪些?

Python Pandas中创建多层索引MultiIndex的方法有哪些?

引言pd.MultiIndex,即具有多个层次的索引。通过多层次索引,我们就可以操作整个索引组的数据。本文主要介绍在Pandas中创建多层索引的6种方式:pd.MultiIndex.from_arrays():多维数组作为参数,高维指定高层索引,低维指定低层索引。pd.MultiIndex.from_tuples():元组的列表作为参数,每个元组指定每个索引(高维和低维索引)。pd.MultiIndex.from_product():一个可迭代对象的列表作为参数,根据多个可迭代对象元素的笛卡尔积(元素间的

本文目录

    引言

    pd.MultiIndex,即具有多个层次的索引。通过多层次索引,我们就可以操作整个索引组的数据。本文主要介绍在Pandas中创建多层索引的6种方式:

    • pd.MultiIndex.from_arrays():多维数组作为参数,高维指定高层索引,低维指定低层索引。

    • pd.MultiIndex.from_tuples():元组的列表作为参数,每个元组指定每个索引(高维和低维索引)。

    • pd.MultiIndex.from_product():一个可迭代对象的列表作为参数,根据多个可迭代对象元素的笛卡尔积(元素间的两两组合)进行创建索引。

    • pd.MultiIndex.from_frame:根据现有的数据框来直接生成

    • groupby():通过数据分组统计得到

    • pivot_table():生成透视表的方式来得到

    pd.MultiIndex.from_arrays()

    In [1]:

    import pandas as pd
    import numpy as np

    通过数组的方式来生成,通常指定的是列表中的元素:

    In [2]:

    # 列表元素是字符串和数字
    array1 = [["xiaoming","guanyu","zhangfei"], 
              [22,25,27]
             ]
    m1 = pd.MultiIndex.from_arrays(array1)
    m1

    Out[2]:

    MultiIndex([('xiaoming', 22),            (  'guanyu', 25),            ('zhangfei', 27)],
               )

    In [3]:

    type(m1)  # 查看数据类型

    通过type函数来查看数据类型,发现的确是:MultiIndex

    Out[3]:

    pandas.core.indexes.multi.MultiIndex

    在创建的同时可以指定每个层级的名字:

    In [4]:

    # 列表元素全是字符串
    array2 = [["xiaoming","guanyu","zhangfei"],
              ["male","male","female"]
             ]
    m2 = pd.MultiIndex.from_arrays(
    	array2, 
      # 指定姓名和性别
      names=["name","sex"])
    m2

    Out[4]:

    MultiIndex([('xiaoming',   'male'),            (  'guanyu',   'male'),            ('zhangfei', 'female')],
               names=['name', 'sex'])

    下面的例子是生成3个层次的索引且指定名字:

    In [5]:

    array3 = [["xiaoming","guanyu","zhangfei"],
              ["male","male","female"],
              [22,25,27]
             ]
    m3 = pd.MultiIndex.from_arrays(
    	array3, 
    	names=["姓名","性别","年龄"])
    m3

    Out[5]:

    MultiIndex([('xiaoming',   'male', 22),            (  'guanyu',   'male', 25),            ('zhangfei', 'female', 27)],
               names=['姓名', '性别', '年龄'])

    pd.MultiIndex.from_tuples()

    通过元组的形式来生成多层索引:

    In [6]:

    # 元组的形式
    array4 = (("xiaoming","guanyu","zhangfei"), 
              (22,25,27)
             )
    m4 = pd.MultiIndex.from_arrays(array4)
    m4

    Out[6]:

    MultiIndex([('xiaoming', 22),            (  'guanyu', 25),            ('zhangfei', 27)],
               )

    In [7]:

    # 元组构成的3层索引
    array5 = (("xiaoming","guanyu","zhangfei"),
              ("male","male","female"),
              (22,25,27))
    m5 = pd.MultiIndex.from_arrays(array5)
    m5

    Out[7]:

    MultiIndex([('xiaoming',   'male', 22),            (  'guanyu',   'male', 25),            ('zhangfei', 'female', 27)],
               )

    列表和元组是可以混合使用的

    • 最外层是列表

    • 里面全部是元组

    In [8]:

    array6 = [("xiaoming","guanyu","zhangfei"),
              ("male","male","female"),
              (18,35,27)
             ]
    # 指定名字
    m6 = pd.MultiIndex.from_arrays(array6,names=["姓名","性别","年龄"])
    m6

    Out[8]:

    MultiIndex([('xiaoming',   'male', 18),            (  'guanyu',   'male', 35),            ('zhangfei', 'female', 27)],
               names=['姓名', '性别', '年龄'] # 指定名字
               )

    pd.MultiIndex.from_product()

    使用可迭代对象的列表作为参数,根据多个可迭代对象元素的笛卡尔积(元素间的两两组合)进行创建索引。

    在Python中,我们使用 isinstance()函数 判断python对象是否可迭代:

    # 导入 collections 模块的 Iterable 对比对象
    from collections import Iterable

    Python Pandas中创建多层索引MultiIndex的方法有哪些?

    Python Pandas中创建多层索引MultiIndex的方法有哪些?

    通过上面的例子我们总结:常见的字符串、列表、集合、元组、字典都是可迭代对象

    下面举例子来说明:

    In [18]:

    names = ["xiaoming","guanyu","zhangfei"]
    numbers = [22,25]
    m7 = pd.MultiIndex.from_product(
        [names, numbers], 
        names=["name","number"]) # 指定名字
    m7

    Out[18]:

    MultiIndex([('xiaoming', 22),            ('xiaoming', 25),            (  'guanyu', 22),            (  'guanyu', 25),            ('zhangfei', 22),            ('zhangfei', 25)],
               names=['name', 'number'])

    In [19]:

    # 需要展开成列表形式
    strings = list("abc") 
    lists = [1,2]
    m8 = pd.MultiIndex.from_product(
    	[strings, lists],
    	names=["alpha","number"])
    m8

    Out[19]:

    MultiIndex([('a', 1),            ('a', 2),            ('b', 1),            ('b', 2),            ('c', 1),            ('c', 2)],
               names=['alpha', 'number'])

    In [20]:

    # 使用元组形式
    strings = ("a","b","c") 
    lists = [1,2]
    m9 = pd.MultiIndex.from_product(
    	[strings, lists],
    	names=["alpha","number"])
    m9

    Out[20]:

    MultiIndex([('a', 1),            ('a', 2),            ('b', 1),            ('b', 2),            ('c', 1),            ('c', 2)],
               names=['alpha', 'number'])

    In [21]:

    # 使用range函数
    strings = ("a","b","c")  # 3个元素
    lists = range(3)  # 0,1,2  3个元素
    m10 = pd.MultiIndex.from_product(
    	[strings, lists],
    	names=["alpha","number"])
    m10

    Out[21]:

    MultiIndex([('a', 0),            ('a', 1),            ('a', 2),            ('b', 0),            ('b', 1),            ('b', 2),            ('c', 0),            ('c', 1),            ('c', 2)],
               names=['alpha', 'number'])

    In [22]:

    # 使用range函数
    strings = ("a","b","c") 
    list1 = range(3)  # 0,1,2
    list2 = ["x","y"]
    m11 = pd.MultiIndex.from_product(
    	[strings, list1, list2],
      names=["name","l1","l2"]
      )
    m11  # 总个数 3*3*2=18

    总个数是``332=18`个:

    Out[22]:

    MultiIndex([('a', 0, 'x'),            ('a', 0, 'y'),            ('a', 1, 'x'),            ('a', 1, 'y'),            ('a', 2, 'x'),            ('a', 2, 'y'),            ('b', 0, 'x'),            ('b', 0, 'y'),            ('b', 1, 'x'),            ('b', 1, 'y'),            ('b', 2, 'x'),            ('b', 2, 'y'),            ('c', 0, 'x'),            ('c', 0, 'y'),            ('c', 1, 'x'),            ('c', 1, 'y'),            ('c', 2, 'x'),            ('c', 2, 'y')],
               names=['name', 'l1', 'l2'])

    pd.MultiIndex.from_frame()

    通过现有的DataFrame直接来生成多层索引:

    df = pd.DataFrame({"name":["xiaoming","guanyu","zhaoyun"],
                      "age":[23,39,34],
                      "sex":["male","male","female"]})
    df

    Python Pandas中创建多层索引MultiIndex的方法有哪些?

    直接生成了多层索引,名字就是现有数据框的列字段:

    In [24]:

    pd.MultiIndex.from_frame(df)

    Out[24]:

    MultiIndex([('xiaoming', 23,   'male'),            (  'guanyu', 39,   'male'),            ( 'zhaoyun', 34, 'female')],
               names=['name', 'age', 'sex'])

    通过names参数来指定名字:

    In [25]:

    # 可以自定义名字
    pd.MultiIndex.from_frame(df,names=["col1","col2","col3"])

    Out[25]:

    MultiIndex([('xiaoming', 23,   'male'),            (  'guanyu', 39,   'male'),            ( 'zhaoyun', 34, 'female')],
               names=['col1', 'col2', 'col3'])

    groupby()

    通过groupby函数的分组功能计算得到:

    In [26]:

    df1 = pd.DataFrame({"col1":list("ababbc"),
                       "col2":list("xxyyzz"),
                       "number1":range(90,96),
                       "number2":range(100,106)})
    df1

    Out[26]:

    Python Pandas中创建多层索引MultiIndex的方法有哪些?

    df2 = df1.groupby(["col1","col2"]).agg({"number1":sum,
                                            "number2":np.mean})
    df2

    Python Pandas中创建多层索引MultiIndex的方法有哪些?

    查看数据的索引:

    In [28]:

    df2.index

    Out[28]:

    MultiIndex([('a', 'x'),            ('a', 'y'),            ('b', 'x'),            ('b', 'y'),            ('b', 'z'),            ('c', 'z')],
               names=['col1', 'col2'])

    pivot_table()

    通过数据透视功能得到:

    In [29]:

    df3 = df1.pivot_table(values=["col1","col2"],index=["col1","col2"])
    df3

    Python Pandas中创建多层索引MultiIndex的方法有哪些?

    In [30]:

    df3.index

    Out[30]:

    MultiIndex([('a', 'x'),            ('a', 'y'),            ('b', 'x'),            ('b', 'y'),            ('b', 'z'),            ('c', 'z')],
               names=['col1', 'col2'])
    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python Pandas
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。