数据分析索引总结（中）Pandas多级索引

作者：闫钟峰，Datawhale优秀学习者

寄语：本文介绍了创建多级索引、多层索引切片、多层索引中的slice对象、索引层的交换等内容。

创建多级索引

1. 通过from_tuple或from_arrays

① 直接从元组列表创建多重索引

tuples = [('A','a'),('A','b'),('B','a'),('B','b')]
mul_index = pd.MultiIndex.from_tuples(tuples, names=('Upper', 'Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index

② 利用zip创建元组

多重索引本质上的结构是一个由元组构成的list

L1 = list('AABB')
L2 = list('abab')
tuples = list(zip(L1,L2))
mul_index = pd.MultiIndex.from_tuples(tuples, names=('Upper', 'Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

注意,如果用于创建多重索引的由tuple组成的list本身是未排序的, 那么创建的df也未排序。

pd.DataFrame({'Score':['perfect','good','fair','bad']},index=pd.MultiIndex.from_tuples(list(zip(L2,L1)), names=('Lower', 'Upper')))

为了便于使用, 可以使用sort_index()进行排序

pd.DataFrame({'Score':['perfect','good','fair','bad']},index=pd.MultiIndex.from_tuples(list(zip(L2,L1)), names=('Lower', 'Upper'))).sort_index()

③ 通过Array(或列表构成的列表)创建

内层的list会自动转成元组

arrays = [['A','a'],['A','b'],['B','a'],['B','b']]
mul_index = pd.MultiIndex.from_tuples(arrays, names=('Upper', 'Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

arrays = [['A','a'],['B','a'],['A','b'],['B','b']]
mul_index = pd.MultiIndex.from_tuples(arrays, names=('Upper', 'Lower'))
pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index)

尽管多重索引内部是个由tuple组成的list, 但由于顺序不同, 并不能视为相等的多重索引。但直接比较两个顺序不同的多重索引, 返回值是一个布尔值array, 并不如预期的那样。

sorted_multi_index=pd.DataFrame({'Score':['perfect','good','fair','bad']},index=mul_index).sort_index().index
sorted_multi_index==mul_index

如果是两个list, 改变顺序后与原始list相比较, 返回值只有一个 False。

[('A', 'a'),  ('B', 'a'), ('A', 'b'), ('B', 'b')]==[('A', 'a'),  ('A', 'b'), ('B', 'a'), ('B', 'b')]

创建一个由二元list构成的list

arr=np.random.randint(1,5,20).reshape(-1,2)

必须把array转化为list才能用pd.MultiIndex.from_tuples 函数创建层次化索引。

pd.MultiIndex.from_tuples(list(arr),names=('left','right'))

使用上述多重索引创建df后,要记得多加一个sort_index(), 以使得df的结果看起来更整齐。

dftemp=pd.DataFrame(np.random.randn(20).reshape(10,2), index=pd.MultiIndex.from_tuples(list(arr),names=('left','right'))).sort_index()

多重索引构造器

pd.MultiIndex.from_tuples??
# tuples: list / sequence of tuple-likes Each tuple is the index of one row/column.

2. 通过from_product

笛卡尔乘积---可能很多时候并不需要用笛卡儿积的所有结果作为索引。

L1 = ['A','B']
L2 = ['a','b']
pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))

Make a MultiIndex from the cartesian product of multiple iterables.
# iterables : list / sequence of iterables  Each iterable has unique labels for each level of the index.
pd.MultiIndex.from_product??

3. 指定df中的列创建（set_index方法）

传入两个以上的列名时,必须以list的形式传入(tuple不行)。注意原来的索引'ID'已经被丢弃了--这是因为set_index的 drop 参数默认值 drop=True。

df_using_mul = df.set_index(['Class','Address']) 
df_using_mul.head()

由于drop参数默认值是True，上述语法并不等价于分别将两列设置为索引。

df1= df.set_index('Class')

第二次将某列设置为索引时,会丢弃原来的索引

df2 = df1.set_index('Address')

第二次指定索引时,必须指定参数 append=True 才会保留原来的索引---这个参数默认是False(丢弃原始索引)。

df3= df1.set_index('Address',append=True)

df.set_index??

多层索引切片

使用第一层的索引,会把该索引下的所有行都选中,除非该索引的二级索引只有一个,否则返回行数不会等于一行。

df_using_mul.loc['C_1']

如何获取次级索引为指定值的行??

方法1 ：交换索引层级

df_using_mul.swaplevel('Class','Address').loc['street_1']

方法2 ： 使用针对索引的 get_level_values 函数,指定索引层级为第二层

df_using_mul.loc[df_using_mul.index.get_level_values(1) == 'street_1']

df_using_mul.index.names
df_using_mul.index.get_level_values??

方法3 ：使用query方法,传入 次级索引名称等于指定值--需要使用引号

df_using_mul.query('Address == "street_1"')

相当于将内层索引当作列，等价于

select * from df_using_mul where Address = 'street_1'

对原始df使用query可以获取同样的行

df.query('Address=="street_1"')

方法4 ：使用pd.IndexSlice对层次索引按次级索引的值进行切片

df_using_mul.loc(axis=0)[pd.IndexSlice[:, 'street_1']]

pd.IndexSlice??

1. 一般切片

当索引不排序时，单个索引会报出性能警告

df_using_mul.loc['C_2','street_5']

该函数检查索引是否排序

df_using_mul.index.is_lexsorted()

根据索引排序后不再报出性能警告

df_using_mul.sort_index().loc['C_2','street_5']

当不排序时，不能使用多层切片

df_using_mul.loc[('C_2','street_5'):] 报错

故先要进行排序，注意此处由于使用了loc，因此仍然包含右端点

df_using_mul.sort_index().loc[('C_2','street_6'):('C_3','street_4')]

使用索引标签进行切片, 是个闭区间非元组也是合法的，表示选中该层所有元素

df_using_mul.sort_index().loc[('C_2','street_7'):'C_3'].head()
df_using_mul.sort_index().loc['C_1':'C_2']#.head(10)

2. 第一类特殊情况：由元组构成列表

选出某几个元素，每个元组的第一个元素是第一层索引的可能取值,元组的第二个元素是第二层索引的可能取值...精确到最内层索引

df_using_mul.sort_index().loc[[('C_2','street_7'),('C_3','street_2')]]

如果第一个本应该是元组的地方传入了一个元素, 不会报错, 但结果与预期不一样。

df_using_mul.sort_index().loc[['C_2',('C_3','street_2')]]

但是反过来, 第一个传入元组, 第二个传入一个元素, 就会报错TypeError: Expected tuple, got str。

所以这里大概是有一个自动推断的过程：如果第一个位置是元组,那就默认是按照元组的相应位置去对应相应层级的索引的值；如果第一个位置是元素, 那就默认直接对应第一层索引的相应取值。

df_using_mul.sort_index().loc[[('C_2','street_7'),'C_3']]

上边不会报错,但结果与预期不一样,是由于第一层索引没有以元组('C_3','street_2')为索引的。

使用元素和元组组成的切片时, 就不会报错了, 但这时候需注意传入的切片不应该再包含在[]内。

df_using_mul.sort_index().loc['C_2':('C_3','street_2')]

3. 第二类特殊情况：由列表构成元组

选出第一层在‘C_2’和'C_3'中且第二层在'street_4'和'street_7'中的行。

df_using_mul.sort_index().loc[(['C_2','C_3'],['street_4','street_7']),:]

注意，loc方法必须是先选行再选列，因此列表构成的元组后的逗号和冒号不能省略。

df_using_mul.sort_index().loc[(['C_2','C_3'],['street_4','street_7'])]
# KeyError: "None of [Index(['street_4', 'street_7'], dtype='object')] are in the [columns]"

下面语句不等价于使用zip将两个list绑定，而是等价于将两个list做笛卡尔乘积。

df_using_mul.sort_index().loc[zip(['C_2','C_3'],['street_4','street_7']),:]

定义一个为两个list做笛卡尔乘积的函数

def list_product(list1,list2):
    lst=[]
    for a in list1:
        for b in list2:
            lst.append((a,b))
    return lst

实际上, 传入两个列表,相当于将两个list做笛卡尔乘积--这说明两个列表并不需要长度相等。

df_using_mul.sort_index().loc[list_product(['C_2','C_3'], ['street_4','street_7']),:]

传入两个不等长的list的笛卡尔乘积

df_using_mul.sort_index().loc[list_product(['C_2','C_3'], ['street_1','street_4','street_7']),:]

和传入两个list组成的元组效果是一致的。

df_using_mul.sort_index().loc[(['C_2','C_3'], ['street_1','street_4','street_7']),:]

多层索引中的slice对象

行索引和列索引均有两个层级

L1,L2 = ['A','B','C'],['a','b','c']
mul_index1 = pd.MultiIndex.from_product([L1,L2],names=('Upper', 'Lower'))
L3,L4 = ['D','E','F'],['d','e','f']
mul_index2 = pd.MultiIndex.from_product([L3,L4],names=('Big', 'Small'))
df_s = pd.DataFrame(np.random.rand(9,9),index=mul_index1,columns=mul_index2)
df_s

# Create an object to more easily perform multi-index slicing.
pd.IndexSlice??

索引Slice的使用非常灵活

df_s.sum()默认为对列求和，因此返回一个长度为9的数值列表。

df_s.loc[pd.IndexSlice['B':,df_s['D']['d']>0.3],pd.IndexSlice[df_s.sum()>4]]
# 对行的筛选等价于 select * from (select * from df_s where (Upper>'B' or D_d>0.3) )