文章目錄

• 索引對象
• • 多個數據結構之間共享index類對象
  • • is與==的區別
  • 重置索引——reindex()
• 索引操作
• • Series的索引操作
  • • 切片
    • 不連續索引
    • 布爾型索引
  • DataFrame的索引操作
  • • 獲取不連續的Series對象
    • 切片
• Pandas庫中的操作索引方法

---

索引對象

Index類對象，該對象不可以進行修改（不可變性），以保證數據的安全。

---

多個數據結構之間共享index類對象

基于Index類對象的不可變性，實現兩個以上數據結構共享一個索引

import pandas as pd import numpy as npser_obj1 = pd.Series(range(3), index=['a', 'b', 'c']) ser_obj2 = pd.Series(['a', 'b', 'c'], index=ser_obj1.index) print(ser_obj2.index is ser_obj1.index) print(ser_obj1) print(ser_obj2)

輸出結果：

Truea 0 b 1 c 2 dtype: int64a a b b c c dtype: object

---

is與==的區別

is比較的是兩個對象的地址值，也就是說兩個對象是否為同一個實例對象；而==比較的是對象的值是否相等。

---

重置索引——reindex()

該方法的作用時對原索引和新索引進行匹配，新索引含有原索引的數據，而原索引數據按照新索引排序。

語法格式：

DataFrame.reindex(labels = None, index = None, columns = None, axis = None, method = None,
copy = None, level = None, fill_value = nan, limit = None, tolerance = None)

上述方法的部分參數含義如下：

index：用作索引的新序列

method：插值填充方式

fill_value：引入缺失值時使用的替代值

limit：前向或者后向填充時的最大填充量

如果新索引中沒有原索引的數據，那么將新添加的索引的值填充為NaN。

ser_obj5 = pd.Series(range(1, 6, 1), index=['c', 'd', 'a', 'b', 'e']) print("ser_obj5", ser_obj5) ser_obj6 = ser_obj5.reindex(['a', 'b', 'c', 'd', 'e', 'f']) print("ser_obj6", ser_obj6)

輸出結果：

ser_obj5 c 1 d 2 a 3 b 4 e 5 dtype: int64ser_obj6 a 3.0 b 4.0 c 1.0 d 2.0 e 5.0 f NaN dtype: float64

---

如果不想填充為NaN，則可使用fill_value參數來指定缺失值。

ser_obj7 = ser_obj5.reindex(['a', 'b', 'c', 'd', 'e', 'f'], fill_value=6) print("ser_obj7", ser_obj7)

輸出結果：

ser_obj7 a 3 b 4 c 1 d 2 e 5 f 6 dtype: int64

---

fill_value參數會讓所有的缺失值都填充為同一個值。

如果期望使用相鄰的元素值（上或下一個元素的值）進行填充，則可使用method參數。

參數說明

ffill 或 pad	前向填充值
bfill 或 backfill	后向填充值
nearest	從最近的索引值填充（先后再前）

ser_obj3 = pd.Series([1, 3, 5, 7], index=[0, 2, 3, 6]) print("ser_obj3", ser_obj3) ser_obj4 = ser_obj3.reindex(range(7), method="nearest") print("ser_obj4", ser_obj4)

輸出結果：

ser_obj3 0 1 2 3 3 5 6 7 dtype: int64ser_obj4 0 1 1 3 2 3 3 5 4 5 5 7 6 7 dtype: int64

---

索引操作

Series的索引操作

兩種索引方式：

print("ser_obj1[2]:", ser_obj1[2]) # 使用索引位置獲得數據 print("ser_obj1['c']:", ser_obj1['c']) # 使用索引名稱獲取數據

---

ser_obj1

a 0
b 1
c 2
dtype: int64

---

輸出結果：

ser_obj1[2]: 2 ser_obj1['c']: 2

---

切片

位置索引進行切片，切片結果包含起始位置不包括結束位置（前閉后開）

索引名稱進行切片，切片結果包含起始位置包括結束位置（前閉后閉）

print("ser_obj5[2:4]:\n", ser_obj5[2:4]) # 使用位置索引進行切片 print("ser_obj7['b':'d']:\n", ser_obj7['b':'d']) # 使用索引名稱進行切片

ser_obj5

c 1
d 2
a 3
b 4
e 5
dtype: int64

ser_obj7

a 3
b 4
c 1
d 2
e 5
f 6
dtype: int64

輸出結果：

ser_obj5[2:4]:a 3 b 4 dtype: int64ser_obj7['b':'d']:b 4 c 1 d 2 dtype: int64

---

不連續索引

print("ser_obj5[[0, 2, 4]]:\n", ser_obj5[[0, 2, 4]]) # 通過不連續位置索引獲取數據集 print("ser_obj7[['a', 'c', 'e']]:\n", ser_obj7[['a', 'c', 'e']]) # 通過不連續索引名稱獲取數據集

輸出結果：

ser_obj5[[0, 2, 4]]:c 1 a 3 e 5 dtype: int64 ser_obj7[['a', 'c', 'e']]:a 3 c 1 e 5 dtype: int64

---

布爾型索引

將布爾型的數組索引作為模板篩選數據，返回與模板中True位置對應的元素

ser_bool = ser_obj7 > 2 # 創建布爾型Series對象 print("ser_bool:\n", ser_bool) print("ser_obj7[ser_bool]:\n", ser_obj7[ser_bool]) # 獲取結果為True的數據

輸出結果：

ser_bool:a True b True c False d False e True f True dtype: boolser_obj7[ser_bool]:a 3 b 4 e 5 f 6 dtype: int64

---

DataFrame的索引操作

DataFrame中每列的數據都是一個Series對象，可以使用列索引獲取

arr1 = np.arange(12).reshape(3, 4) df_obj1 = pd.DataFrame(arr1, columns=['a', 'b', 'c', 'd']) # 創建DataFrame對象，并為其指定列索引 print("df_obj1:\n", df_obj1) print("df_obj1['b']:\n", df_obj1['b']) # 獲取b列的數據

輸出結果：

df_obj1:a b c d 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11df_obj1['b']:0 1 1 5 2 9 Name: b, dtype: int32

---

獲取不連續的Series對象

print("df_obj1[['b', 'd']]:\n", df_obj1[['b', 'd']])

輸出結果：

df_obj1[['b', 'd']]:b d 0 1 3 1 5 7 2 9 11

---

切片

print("df_obj1[:2]:\n", df_obj1[:2]) # 使用切片獲取第0~1行的數據 print("df_obj1[:3][['b', 'd']]:\n", df_obj1[:3][['b', 'd']]) # 使用切片先通過行索引獲取0~2行的數據，再通過不連續列索引獲取b、d列的數據

輸出結果：

df_obj1[:2]:a b c d 0 0 1 2 3 1 4 5 6 7df_obj1[:3][['b', 'd']]:b d 0 1 3 1 5 7 2 9 11

---

Pandas庫中的操作索引方法

loc：基于標簽索引（索引名稱，如：a、b等），用于按標簽選取數據。當執行切片操作時，既包含起始索引，也包含結束索引。（前閉后閉）

iloc：基于位置索引（整數索引，如：0~length-1），用于按位置選取數據。當執行切片操作時，只包含起始索引，不包含結束索引。（前閉后開）

iloc方法主要使用整數來索引數據，而不能使用字符標簽來索引數據。

loc方法只能使用字符標簽來索引數據，而不能使用整數來索引數據。不過，當DataFrame對象的行索引或者列索引使用的是整數時，則其就可以使用整數來索引。

print("df_obj1.loc[:, [“d”, “b”]]:\n", df_obj1.loc[:, ["d", "b"]]) print("df_obj1.iloc[:, 3, 1]:\n", df_obj1.iloc[:, [3, 1]])

輸出結果：

df_obj1.loc[:, [“d”, “b”]]d b 0 3 1 1 7 5 2 11 9df_obj1.iloc[:, 3, 1]:d b 0 3 1 1 7 5 2 11 9

花式索引【數組索引】

print("df_obj1.loc[:1, [“c”, “a”]]:\n", df_obj1.loc[0:1, ["c", "a"]]) print("df_obj1.iloc[:2, [2, 0]]:\n", df_obj1.iloc[0:2, [2, 0]])

輸出結果：

df_obj1.loc[:1, [“c”, “a”]]:c a 0 2 0 1 6 4df_obj1.iloc[:2, [2, 0]]:c a 0 2 0 1 6 4

總結

以上是生活随笔為你收集整理的Pandas索引操作及高级索引——reindex()方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。