常用pandas的 index设置
迟业 人气:4
1. 将索引从 groupby 操作转换为列
groupby分组方法是经常用的。比如下面通过添加一个分组列team来进行分组。
>>> df0["team"] = ["X", "X", "Y", "Y", "Y"]
>>> df0
A B C team
0 0.548012 0.288583 0.734276 X
1 0.342895 0.207917 0.995485 X
2 0.378794 0.160913 0.971951 Y
3 0.039738 0.008414 0.226510 Y
4 0.581093 0.750331 0.133022 Y
>>> df0.groupby("team").mean()
A B C
team
X 0.445453 0.248250 0.864881
Y 0.333208 0.306553 0.443828
默认情况下，分组会将分组列编程index索引。但是很多情况下，我们不希望分组列变成索引，因为可能有些计算或者判断逻辑还是需要用到该列的。因此，我们需要设置一下让分组列不成为索引，同时也能完成分组的功能。
有两种方法可以完成所需的操作，第一种是用reset_index，第二种是在groupby方法里设置as_index=False。个人更喜欢第二种方法，它只涉及两个步骤，更简洁。
>>> df0.groupby("team").mean().reset_index()
team A B C
0 X 0.445453 0.248250 0.864881
1 Y 0.333208 0.306553 0.443828
>>> df0.groupby("team", as_index=False).mean()
team A B C
0 X 0.445453 0.248250 0.864881
1 Y 0.333208 0.306553 0.443828
2. 使用现有的 DataFrame 设置索引
当然，如果已经读取数据或做完一些数据处理步骤后，我们可以通过set_index手动设置索引。
>>> df = pd.read_csv("data.csv", parse_dates=["date"])
>>> df.set_index("date")
temperature humidity
date
2021-07-01 95 50
2021-07-02 94 55
2021-07-03 94 56
这里有两点需要注意下：
set_index方法默认将创建一个新的DataFrame。如果要就地更改df的索引，需要设置inplace=True。
df.set_index(“date”, inplace=True)
- 如果要保留将要被设置为索引的列，可以设置
drop=False。
df.set_index(“date”, drop=False)
3. 一些操作后重置索引
在处理 DataFrame 时，某些操作（例如删除行、索引选择等）将会生成原始索引的子集，这样默认的数字索引排序就乱了。如要重新生成连续索引，可以使用reset_index方法。
>>> df0 = pd.DataFrame(np.random.rand(5, 3), columns=list("ABC"))
>>> df0
A B C
0 0.548012 0.288583 0.734276
1 0.342895 0.207917 0.995485
2 0.378794 0.160913 0.971951
3 0.039738 0.008414 0.226510
4 0.581093 0.750331 0.133022
>>> df1 = df0[df0.index % 2 == 0]
>>> df1
A B C
0 0.548012 0.288583 0.734276
2 0.378794 0.160913 0.971951
4 0.581093 0.750331 0.133022
>>> df1.reset_index(drop=True)
A B C
0 0.548012 0.288583 0.734276
1 0.378794 0.160913 0.971951
2 0.581093 0.750331 0.133022
通常，我们是不需要保留旧索引的，因此可将drop参数设置为True。同样，如果要就地重置索引，可设置inplace参数为True，否则将创建一个新的 DataFrame。
4.排序后重置索引
当用sort_value排序方法时也会遇到这个问题，因为默认情况下，索引index跟着排序顺序而变动，所以是乱雪。如果我们希望索引不跟着排序变动，同样需要在sort_values方法中设置一下参数ignore_index即可。
>>> df0.sort_values("A")
A B C team
3 0.039738 0.008414 0.226510 Y
1 0.342895 0.207917 0.995485 X
2 0.378794 0.160913 0.971951 Y
0 0.548012 0.288583 0.734276 X
4 0.581093 0.750331 0.133022 Y
>>> df0.sort_values("A", ignore_index=True)
A B C team
0 0.039738 0.008414 0.226510 Y
1 0.342895 0.207917 0.995485 X
2 0.378794 0.160913 0.971951 Y
3 0.548012 0.288583 0.734276 X
4 0.581093 0.750331 0.133022 Y
5.删除重复后重置索引
删除重复项和排序一样，默认执行后也会打乱排序顺序。同理，可以在drop_duplicates方法中设置ignore_index参数True即可。
>>> df0
A B C team
0 0.548012 0.288583 0.734276 X
1 0.342895 0.207917 0.995485 X
2 0.378794 0.160913 0.971951 Y
3 0.039738 0.008414 0.226510 Y
4 0.581093 0.750331 0.133022 Y
>>> df0.drop_duplicates("team", ignore_index=True)
A B C team
0 0.548012 0.288583 0.734276 X
1 0.378794 0.160913 0.971951 Y
6. 索引的直接赋值
当我们有了一个 DataFrame 时，想要使用不同的数据源或单独的操作来分配索引。在这种情况下，可以直接将索引分配给现有的 df.index。
>>> better_index = ["X1", "X2", "Y1", "Y2", "Y3"]
>>> df0.index = better_index
>>> df0
A B C team
X1 0.548012 0.288583 0.734276 X
X2 0.342895 0.207917 0.995485 X
Y1 0.378794 0.160913 0.971951 Y
Y2 0.039738 0.008414 0.226510 Y
Y3 0.581093 0.750331 0.133022 Y
7.写入CSV文件时忽略索引
数据导出到 CSV 文件时，默认 DataFrame 具有从 0 开始的索引。如果我们不想在导出的 CSV 文件中包含它，可以在to_csv方法中设置index参数。
>>> df0.to_csv("exported_file.csv", index=False)
如下所示，导出的 CSV 文件中，索引列未包含在文件中。
其实，很多方法中都有关于索引的设置，只不过大家一般比较关心数据，而经常忽略了索引，才导致继续运行时可能会报错。以上几个高频的操作都是有索引设置的，建议大家平时用的时候养成设置索引的习惯，这样会节省不少时间。
8.读取时指定索引列
很多情况下，我们的数据源是 CSV 文件。假设有一个名为的文件data.csv，包含以下数据。
date,temperature,humidity 07/01/21,95,50 07/02/21,94,55 07/03/21,94,56
默认情况下，pandas将会创建一个从0开始的索引行，如下：
>>> pd.read_csv("data.csv", parse_dates=["date"])
date temperature humidity
0 2021-07-01 95 50
1 2021-07-02 94 55
2 2021-07-03 94 56
但是，我们可以在导入过程中通过将index_col参数设置为某一列可以直接指定索引列。
>>> pd.read_csv("data.csv", parse_dates=["date"], index_col="date")
temperature humidity
date
2021-07-01 95 50
2021-07-02 94 55
2021-07-03 94 56
加载全部内容