欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

pandas多層索引的創(chuàng)建和取值以及排序的實(shí)現(xiàn)

 更新時(shí)間：2021年03月09日 08:32:47   作者：藍(lán)小白1024  
這篇文章主要介紹了pandas多層索引的創(chuàng)建和取值以及排序的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

多層索引的創(chuàng)建

普通-多個(gè)index創(chuàng)建

  • 在創(chuàng)建數(shù)據(jù)的時(shí)候加入一個(gè)index列表,這個(gè)index列表里面是多個(gè)索引列表

Series多層索引的創(chuàng)建方法

import pandas as pd
s = pd.Series([1,2,3,4,5,6],index=[['張三','張三','李四','李四','王五','王五'],
                  ['期中','期末','期中','期末','期中','期末']])
# print(s)
s

張三  期中    1
    期末    2
李四  期中    3
    期末    4
王五  期中    5
    期末    6
dtype: int64

利用 numpy中的隨機(jī)數(shù)

import numpy as np

data = np.random.randint(0,100,size=(6,3))
# np.random.randint(0,100,size=(6,3))是使用numpy中的隨機(jī)模塊random中，生成隨機(jī)整數(shù)方法randint，
# 里面的參數(shù)size是指定生成6行3列的數(shù)據(jù)，并且每個(gè)數(shù)字的范圍在0到100之間

data

array([[44, 66, 67],
    [82, 52, 0],
    [34, 78, 23],
    [38, 4, 43],
    [60, 62, 40],
    [57, 9, 11]])

Dataframe多層索引創(chuàng)建

import pandas as pd
import numpy as np

data = np.random.randint(0,100,size=(6,3))
df = pd.DataFrame(data,index=[['張三','張三','李四','李四','王五','王五'],
               ['期中','期末','期中','期末','期中','期末']],
           columns=['Java','Web','Python'])

df

Java Web Python
張三 期中 68 4 90
期末 33 63 73
李四 期中 30 13 68
期末 14 18 48
王五 期中 34 66 26
期末 89 10 35

簡(jiǎn)化創(chuàng)建-from_product()

import pandas as pd
import numpy as np

data = np.random.randint(0,100,size=(6,3))
names = ['張三','李四','王五']
exam = ['期中','期末']
index = pd.MultiIndex.from_product([names,exam])
df = pd.DataFrame(data,index=index,columns=['Java','Web','Python'])
# print(df)
df

Java Web Python
張三 期中 51 78 47
期末 39 53 36
李四 期中 33 60 83
期末 90 55 3
王五 期中 37 45 66
期末 6 82 71

from_product()在這個(gè)里面的列表中位置不同, 產(chǎn)生的索引頁(yè)會(huì)不同

index = pd.MultiIndex.from_product([exam, names])
df = pd.DataFrame(data,index=index,columns=['Java','Web','Python'])
# print(df)
df

Java Web Python
期中 張三 51 78 47
李四 39 53 36
王五 33 60 83
期末 張三 90 55 3
李四 37 45 66
王五 6 82 71

from_product([exam,names])會(huì)將列表中第一個(gè)元素作為最外層索引，依次類(lèi)推

多層索引的取值

獲取到我們想要的數(shù)據(jù)

獲取多層索引Series中的數(shù)據(jù)

創(chuàng)建數(shù)據(jù)

import pandas as pd
s = pd.Series([1,2,3,4,5,6],index=[['張三','張三','李四','李四','王五','王五'],
                  ['期中','期末','期中','期末','期中','期末']])
print(s)

張三  期中    1
    期末    2
李四  期中    3
    期末    4
王五  期中    5
    期末    6
dtype: int64

可以直接使用[]的方式取最外面的一個(gè)層級(jí) s[‘張三']

s['李四']

# 注意：[]取值方式，不可直接使用最外層以外的其他層級(jí)，例如：s['期末']

期中    3
期末    4
dtype: int64

使用['外索引', '內(nèi)索引'], 獲取某個(gè)數(shù)據(jù)

注意：[‘張三',‘期末']他們的順序不能變。剝洋蔥原則，從外到內(nèi)一層一層的剝。

s['李四', '期中'] # 李四期中分值

# 注意：['張三','期末']他們的順序不能變。剝洋蔥原則，從外到內(nèi)一層一層的剝。

3

使用[]的切片，獲取數(shù)據(jù)s[:,‘期中']

s[:,'期中'] # 第一個(gè)值為全部的外索引

張三    1
李四    3
王五    5
dtype: int64

使用 loc

  • loc 使用的是標(biāo)簽suoyin
  • iloc使用的是位置索引
# loc 使用方式與 [] 的方式基本一樣

s.loc['張三']
s.loc['張三','期中']
s.loc[:,'期中']

# iloc 的取值并不會(huì)受多層索引影響，只會(huì)根據(jù)數(shù)據(jù)的位置索引進(jìn)行取值, 不推薦

張三    1
李四    3
王五    5
dtype: int64

多層索引DataFrame的取值

在對(duì)多層索引DataFrame的取值是，推薦使用 loc() 函數(shù)

import pandas as pd
import numpy as np
#size參數(shù)是指定生成6行3列的數(shù)組
data = np.random.randint(0,100,size=(6,3))
names = ['張三','李四','王五']
exam = ['期中','期末']
index = pd.MultiIndex.from_product([names,exam])
df = pd.DataFrame(data,index=index,columns=['Java','Web','Python'])
df

Java Web Python
張三 期中 3 40 52
期末 74 38 85
李四 期中 7 28 16
期末 9 25 0
王五 期中 13 24 8
期末 49 46 1

三種方式都可以獲取張三期中各科成績(jī)

# df.loc['張三','期中']
# df.loc['張三'].loc['期中']
# df.loc[('張三','期中')]

注意：DataFrame中對(duì)行索引的時(shí)候和Series有一個(gè)同樣的注意點(diǎn)，就是無(wú)法直接對(duì)二級(jí)索引直接進(jìn)行索引，必須讓二級(jí)索引變成一級(jí)索引后才能對(duì)其進(jìn)行索引

多層索引的排序

  • 使用sort_index() 排序
  • level參數(shù)可以指定是否按照指定的層級(jí)進(jìn)行排列
  • 第一層索引值為0, 第二層索引的值為1

創(chuàng)建數(shù)據(jù)

import pandas as pd
data = np.random.randint(0,100,size=(9,3))
key1 = ['b','c','a']
key2 = [2,1,3]
index = pd.MultiIndex.from_product([key1,key2])
df = pd.DataFrame(data,index=index,columns=['Java','Web','Python'])

df

Java Web Python
b 2 56 82 81
1 84 16 55
3 35 25 86
c 2 76 1 76
1 36 28 94
3 79 70 97
a 2 25 17 30
1 38 38 78
3 41 75 90

排序

  • DataFrame按行索引排序的方法是sort_index()
  • 如果直接使用的話,不傳參數(shù), 會(huì)把每一層索引根據(jù)值進(jìn)行升序排序
df.sort_index()

Java Web Python
a 1 18 60 74
2 66 87 27
3 96 18 64
b 1 72 58 52
2 22 31 22
3 31 12 83
c 1 6 54 96
2 9 47 18
3 31 63 4 

# 當(dāng)level=0時(shí)，ascending=False, 會(huì)根據(jù)第一層索引值進(jìn)行降序排序
df.sort_index(level=0,ascending=False)

Java Web Python
c 3 79 70 97
2 76 1 76
1 36 28 94
b 3 35 25 86
2 56 82 81
1 84 16 55
a 3 41 75 90
2 25 17 30
1 38 38 78 

# 當(dāng)level=1時(shí)，會(huì)根據(jù)第二層索引值進(jìn)行降序排序

df.sort_index(level=1,ascending=False)

# 數(shù)據(jù)會(huì)根據(jù)第二層索引值進(jìn)行相應(yīng)的降序排列，
# 如果索引值相同時(shí)會(huì)根據(jù)其他層索引值排列

Java Web Python
c 3 79 70 97
b 3 35 25 86
a 3 41 75 90
c 2 76 1 76
b 2 56 82 81
a 2 25 17 30
c 1 36 28 94
b 1 84 16 55
a 1 38 38 78

通過(guò)level設(shè)置排序的索引層級(jí)，其他層索引也會(huì)根據(jù)其排序規(guī)則進(jìn)行排序

到此這篇關(guān)于pandas多層索引的創(chuàng)建和取值以及排序的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)pandas多層索引內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評(píng)論