1.1 表的列索引
df[列名] ，返回值为 Series，当列名不包含空格，可用 df.列名 取出
df[[列名组成的列表]] ，返回值为 DataFrame
1.2 序列的行索引
1.3 loc索引器
df.loc[*, *] 基于元素的loc索引器，第一个 *代表行的选择，第二个 *代表列的选择，如果省略第二个，就是行筛选
* 位置一共有五类合法对象，分别是：
df.loc[单个元素]- eg1：
df.loc['row_name']或df.loc['col_name']，如果该元素在索引中重复则结果为DataFrame，否则为Series - eg2：
df.loc['row_name', 'clo_name']，如果该元素在索引中重复则结果为Series，否则为单个元素 df.loc[元素列表]- eg1：
df.loc[['row_name1','row_name2',...],['clo_name1','clo_name2',...]]，取出列表中所有元素值对应的行或列 df.loc[元素切片]- eg1：
df.loc['row_namex':'row_namey', 'clo_namex':'clo_namey']，字符切片，如果是唯一值的起点和终点字符才可以使用切片，且包含两个端点 - eg2：
df.loc[3：5]，整数切片，如果是唯一值的起点和终点数字才可以使用切片，且包含两个端点 df.loc[布尔列表]- 传入
loc的布尔列表要与DataFrame长度相同 - eg1：
df.loc[df.clo_name > num] - eg2：
df.loc[df.col_name.isin(['name1','name2'])] - eg3：
df.loc[condition1 & condition2]，复合条件可用|（或）, &（且）, ~（取反）的组合来实现 df.loc[函数]- 函数结果必须以前面的四种合法形式之一为返回值
- eg1：
df.loc[funcation(x)]，函数的形式参数x本质上即为df_demo - eg2：
df.loc[lambda x:'name1',lambda x:'name2'] select_dtypes# 从表中选出相应类型的列- eg1：
df.select_dtypes('number')，选出所有数值型的列
1.4 iloc索引器
df.iloc[*, *] 基于位置的iloc索引器，第一个 *代表行的选择，第二个 *代表列的选择，如果省略第二个，就是行筛选
* 位置一共有五类合法对象，分别是：
df.iloc[整数]- eg1：
df.iloc[1,1]，第二行第二列 df.iloc[整数列表]- eg1：
df.iloc[[0,1],[0,1]]，前两行前两列 df.iloc[整数切片]- eg1：
df.iloc[1: 4, 2:4]，切片不包含结束端点 df.iloc[布尔列表]- eg1：
df.iloc[(df.clo_name > num).values]，不能传入Series而必须传入序列的values df.iloc[函数]- eg1：
df.iloc[lambda x: slice(1, 4)]
1.5 query方法
把字符串形式的查询表达式传入 query方法来查询数据，其表达式的执行结果必须返回布尔列表。
- eg：
df.query('((School == "Fudan University")&'
' (Grade == "Senior")&'
' (Weight > 70))|'
'((School == "Peking University")&'
' (Grade != "Senior")&'
' (Weight > 80))')
df.query('Weight > Weight.mean()')
- 注意：
- 对于含有空格的列名，需要使用
col name的方式进行引用 - 条件关系可用 or, and, or, in, not in，eg：
df.query('(condition1) and (condition2)') - 字符串中出现与列表的比较时，
==等价于in、!=等价于not in，eg：df.query('clo_name== ["name1", "name2"]') - 引用外部变量，只需在变量名前加
@符号
1.6 随机抽样
df.sample(n,
axis,
frac,
replace,
weights
2.1 多级索引和表的结构
索引中的一个元素是元组而不是单层索引中的标量
df_multi.index.names/values，获取行索引名字/值属性df_multi.columns.names/values，获取列索引名字/值属性df_multi.index.get_level_values(0)，获取某一层的索引
2.2 多级索引中的loc索引器
loc和 iloc一样使用，只需把标量的位置替换成对应的元组即可，但需要先进行 df_multi.sort_index()（索引排序）以避免性能警告。
- eg1：
df_sorted.loc[('row_name1', 'row_name2')] - eg2：
df_sorted.loc[[('row_name1', 'row_name2'), ('row_name3', 'row_name4')]] - eg3：
df_sorted.loc[df_sorted.clo_name1> 70] - eg4：
df_sorted.loc[lambda x:('row_name1','row_name2')] - eg5：
df_sorted.loc[('row_name1', 'row_name2'):]，切片索引，无论元组在索引中是否重复出现，都必须经过排序才能使用切片 - eg6：
df_sorted.loc[(['row_name1', 'row_name2'], ['row_name3', 'row_name4']),:]，可以对多层的元素进行交叉组合后索引，同时需要指定loc的列（全选则用:表示）
2.3 IndexSlice对象
Slice对象一共有两种形式，第一种为 loc[idx[*,*]]型，第二种为 loc[idx[*,*],idx[*,*]]型，需要先定义 idx = pd.IndexSlice，才能使用slice，
loc[idx[*,*]]- eg1：
df_ex.loc[idx['C':, ('D', 'f'):]]，前一个*表示行的选择，后一个*表示列的选择 - eg2：
df_ex.loc[idx[:'A', 'b':], idx['E':, 'e':]]，，前一个idx指代的是行索引，后一个是列索引
2.4 多级索引的构造
pd.MultiIndex.from_tuples(my_tuple, names=['First','Second'])，根据传入由元组组成的列表进行构造pd.MultiIndex.from_arrays(my_array, names=['First','Second'])，根据传入列表中，对应层的列表进行构造pd.MultiIndex.from_product([my_list1, my_list2], names=['First','Second'])，根据给定多个列表的笛卡尔积进行构造
3.1 索引层的交换和删除
- 索引层的交换
df_ex.swaplevel(0,2,axis=1).head()，只能交换两个层，列索引的第一层和第三层交换df_ex.reorder_levels([2,0,1],axis=0).head()，可以交换任意层，列表数字指代原来索引中的层- 索引层的删除
df_ex.droplevel(1,axis=1)，删除某一层的索引df_ex.droplevel([0,1],axis=0)，删除某些层的索引
3.2 索引属性的修改
- 索引层的名字修改
df_ex.rename_axis(index={'row_old':'row_new'}, columns={'col_old':'col_new'})，索引层的名字进行修改，修改方式是传入字典的映射- 索引层的值修改
df_ex.rename(columns={'cat':'not_cat'}, level=2)，对索引的值进行修改，如果是多级索引需要指定修改的层号leveldf_ex.rename(index=lambda x:str.upper(x), level=2)，传入参数也可以是函数，其输入值就是索引元素- map函数，定义在
Index上的方法，直接传入索引的元组，进行跨层的修改提供了遍历 new_idx = df_temp.index.map(lambda x: (x[0], x[1], str.upper(x[2])))new_idx = df_temp.index.map(lambda x: (x[0]+'-'+x[1]+'-'+x[2]))，对多级索引的压缩new_idx = df_temp.index.map(lambda x:tuple(x.split('-')))，索引反向地展开
3.3 索引的设置与重置
set_index()索引的设置df.set_index('row_name'，append=True)，其主要参数是append，表示是否来保留原来的索引，直接把新设定的添加到原索引的内层df.set_index(['row_name1'，'row_name2'])df.set_index(['row_name1'，my_index])，在参数中可以传入相应的Series作为索引reset_index()索引的重置df.reset_index()，重置了所有的索引，重新生成一个默认索引df.reset_index('row_name'，drop=True)，其主要参数是drop，表示是否要把去掉的索引层丢弃，而不是添加到列中
3.4 索引的变形
df_reindex.reindex()
4.1 一般的索引运算
先用 unique 去重后再进行运算
df1.intersection(df2)，取索引交集df1.union(df2)，取索引并集df1.difference(df2)，取索引差df1.symmetric_difference(df2)，取索引补
Original: https://blog.csdn.net/KEEP_GIONG/article/details/120044389
Author: Seven_0507
Title: Pandas分类总结之：索引
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/679395/
转载文章受原作者版权保护。转载请注明原作者出处！