饮冰三年-人工智能-Pandas-80-Pandas 数据扩增与索引
上一篇：饮冰三年-人工智能-Pandas-78-Pandas 新增、统计、排序
数据准备可参考：饮冰三年-人工智能-Django淘宝拾遗-75-数据准备
一、索引
索引（index）是 Pandas 的重要工具，通过索引可以从 DataFame 中选择特定的行数和列数，这种选择数据的方式称为“子集选择”。在 Pandas 中，索引值也被称为标签（label）
索引作用：
- 方便数据查询
- 使用index可以提升性能
- 如果index是唯一的，Pandas会使用 哈希表优化，查询性能为O(1)；
- 如果index不是唯一的，但是有序，Pandas会使用 二分查找算法，查询性能为O(logN)；
- 如果index不是唯一的，而且无序，Pandas只能扫描全表，查询性能为O(N)；
- 自动的数据对齐功能
- 更强大的数据结构支持
- Categoricall Index ：基于分类的index，提升性能
- Multi Index ：多维索引，用于group by 多维聚合后结果
- Datetime Index ：时间类型索引，强大的日期和时间的方法支持
1.1 方便查询
from timeit import timeit import pandas as pd from api_service.pandas_ import get_data_from_db df = get_data_from_db() def query_easy(): print(df.head()) """ id gender ... add_time modify_time 0 7 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 1 8 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 2 9 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 3 10 1 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 4 11 1 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 """ df.set_index("student_id", inplace=True, drop=False) # drop=False 让索引列还保持在 column print(df.head()) """ id gender ... add_time modify_time student_id ... 101 7 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 102 8 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 103 9 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 114 10 1 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 115 11 1 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 """ # 方式一： 使用index的查询方法 df_easy = df.loc[101].head() print(df_easy) """ id gender ... add_time modify_time student_id ... 101 7 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 13 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 19 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 25 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 103 0 ... 2022-02-22 17:16:52 2022-02-22 17:16:54 """ # 方式二： 使用column的condition查询方法 df_hard = df.loc[df["student_id"] == 101].head() print(df_hard) """ id gender ... add_time modify_time student_id ... 101 7 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 13 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 19 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 25 0 ... 2022-02-11 17:16:52 2022-02-11 17:16:54 101 103 0 ... 2022-02-22 17:16:52 2022-02-22 17:16:54 """
1.2 提升性能
1.3 数据对齐
def align_data(): s1 = pd.Series([1, 2, 3], index=list("abc")) s2 = pd.Series([2, 3, 4], index=list("bcd")) print(s1 + s2) """ a NaN b 4.0 c 6.0 d NaN dtype: float64 """
二、merge
pandas 的 Merge,相当于SQL的Join，将不同的表按key关联到一个表。官方文档
2.1 Merge语法
merge语法：DataFrame.merge(right, how='inner', on=None, left_on=None, right_on=None,left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)
right：要merge的 DataFrame 或者 有named的Series
how：join类型，‘left’, ‘right’, ‘outer’, ‘inner’
on：join的key，left和right都需要有这个key
left_on：left的df或者series的key
right_on：right的df或者seires的key
left_index，right_index：使用index而不是普通的column做join
suffixes：两个元素的后缀，如果列有重名，自动添加后缀，默认是(‘_x’, ‘_y’)
2.2 Merge时表之间的对应关系
one-to-one：一对一关系，关联的key都是唯一的
one-to-many：一对多关系，左边唯一key，右边不唯一key。 eg：查看专业开设了哪些课程
many-to-many：多对多关系，这种会涉及到第三张表。eg：查看学生各科成绩
import pandas as pd from django.utils.http import urlquote from sqlalchemy import create_engine from api_service.pandas_ import MYSQL_USER, MYSQL_PASSWORD, MYSQL_HOST, MYSQL_PORT, MYSQL_NAME def get_data_from_db(): """ 新版本的pandas库中con参数使用sqlalchemy库创建的create_engine对象 创建create_engine对象(格式类似于URL地址)： """ create_engine(f'postgresql+psycopg2://') engine = create_engine( f'mysql+pymysql://{MYSQL_USER}:{urlquote(MYSQL_PASSWORD)}@{MYSQL_HOST}:{MYSQL_PORT}/{MYSQL_NAME}') profession = pd.read_sql("SELECT id,profession_name FROM tb_profession", engine) # 专业表， course = pd.read_sql("SELECT id,profession_id,subject_name FROM tb_course", engine) # 课程表， score = pd.read_sql("SELECT id,student_id,course_id,exams_date,score_total FROM tb_score", engine) # 成绩表 student = pd.read_sql("SELECT id,student_name FROM tb_student", engine) # 学生表 return profession, course, score, student def get_merge(): pd.set_option('display.width', 2000) pd.set_option('display.max_columns', None) profession, course, score, student = get_data_from_db() print(student.head(), profession.head(), course.head(), score.head(), ) ''' id student_name 0 101 小明-经 1 102 小红-经 2 103 小花-经 3 114 张三-经 4 115 李四-经 id profession_name 0 1 经济与管理 1 2 计算机 2 3 文学与历史 3 4 挖掘机 id profession_id subject_name 0 11 1 语文-经 1 12 1 数学-经 2 13 1 英语-经 3 14 1 经济学-经 4 21 2 语文-计 id student_id course_id exams_date score_total 0 7 101 11 2022-02-11 77.0 1 8 102 11 2022-02-11 60.0 2 9 103 11 2022-02-11 50.0 3 10 114 11 2022-02-11 100.0 4 11 115 11 2022-02-11 80.0 ''' # 01 查看专业开设了哪些课程（专业：课程《==》1：N） df_profession_course = pd.merge(profession, course, left_on="id", right_on="profession_id", how="inner") print(df_profession_course) ''' id_x profession_name id_y profession_id subject_name 0 1 经济与管理 11 1 语文-经 1 1 经济与管理 12 1 数学-经 2 1 经济与管理 13 1 英语-经 3 1 经济与管理 14 1 经济学-经 4 2 计算机 21 2 语文-计 5 2 计算机 22 2 数学-计 6 2 计算机 23 2 英语-计 7 2 计算机 24 2 计算机-计 8 3 文学与历史 31 3 语文-文 9 3 文学与历史 32 3 数学-文 10 3 文学与历史 33 3 英语-文 11 3 文学与历史 34 3 世界史-文 12 4 挖掘机 41 4 语文-挖 13 4 挖掘机 42 4 数学-挖 14 4 挖掘机 43 4 英语-挖 15 4 挖掘机 44 4 挖掘机实操-挖 ''' # 02 查看学生各科成绩（需要借助中间表：成绩表）(多对多) df_student_course_score = pd.merge(pd.merge(student, score, left_on="id", right_on="student_id", how="inner"), course, left_on="course_id", right_on="id", how="inner") print(df_student_course_score) ''' id_x student_name id_y student_id course_id exams_date score_total id profession_id subject_name 0 101 小明-经 7 101 11 2022-02-11 77.0 11 1 语文-经 1 101 小明-经 103 101 11 2022-02-22 77.0 11 1 语文-经 2 101 小明-经 199 101 11 2022-02-15 77.0 11 1 语文-经 3 101 小明-经 295 101 11 2022-03-08 77.0 11 1 语文-经 4 101 小明-经 391 101 11 2022-03-14 77.0 11 1 语文-经 .. ... ... ... ... ... ... ... .. ... ... 475 416 王五-挖 102 416 44 2022-02-11 90.0 44 4 挖掘机实操-挖 476 416 王五-挖 198 416 44 2022-02-22 90.0 44 4 挖掘机实操-挖 477 416 王五-挖 294 416 44 2022-02-15 90.0 44 4 挖掘机实操-挖 478 416 王五-挖 390 416 44 2022-03-08 90.0 44 4 挖掘机实操-挖 479 416 王五-挖 486 416 44 2022-03-14 90.0 44 4 挖掘机实操-挖 '''
字段重复会默认加后缀，也可以通过suffixes手动设置
# 字段重复会默认加后缀，也可以通过suffixes手动设置 df_student_course_score = pd.merge( pd.merge(student, score, left_on="id", right_on="student_id", how="inner", suffixes=('_学生', '_成绩')), course, left_on="course_id", right_on="id", how="inner", suffixes=('_成绩', '_课程')) print(df_student_course_score) """ id_学生 student_name id_成绩 student_id course_id exams_date score_total id profession_id subject_name 0 101 小明-经 7 101 11 2022-02-11 77.0 11 1 语文-经 """
2.3 Merge时表之间的连接的区别
- inner join（内连接）默认的连接方式，当key两个表都存在的时候才作为返回表的key
- left join（左连接）左边所有的key都会作为返回表的key，而右边针对这一key没有对应值则填充Null
- right join（右连接）与左连接相反，右边的所有key都会出现在返回的表中，如果左边没有相应的则填充Null
- outer join（外连接）左右两边的key都会出现在返回表中，如果没有对应值，则填充Null
def join_way(): left = pd.DataFrame({ 'key': ['K0', 'K1', 'K2', 'K3'], 'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3'], }) right = pd.DataFrame({ 'key': ['K0', 'K1', 'K4', 'K5'], 'C': ['C0', 'C1', 'C4', 'C5'], 'D': ['D0', 'D1', 'D4', 'D5'], }) print(left) """ key A B 0 K0 A0 B0 1 K1 A1 B1 2 K2 A2 B2 3 K3 A3 B3 """ print(right) """ key C D 0 K0 C0 D0 1 K1 C1 D1 2 K4 C4 D4 3 K5 C5 D5 """ # inner join（内连接）默认的连接方式，当key两个表都存在的时候才作为返回表的key inner_join = pd.merge(left, right, how="inner") print(inner_join) """ key A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 """ # left join（左连接）左边所有的key都会作为返回表的key，而右边针对这一key没有对应值则填充Null left_join = pd.merge(left, right, how="left") print(left_join) """ key A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K2 A2 B2 NaN NaN 3 K3 A3 B3 NaN NaN """ # right join（右连接）与左连接相反，右边的所有key都会出现在返回的表中，如果左边没有相应的则填充Null right_join = pd.merge(left, right, how="right") print(right_join) """ key A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K4 NaN NaN C4 D4 3 K5 NaN NaN C5 D5 """ # outer join（外连接）左右两边的key都会出现在返回表中，如果没有对应值，则填充Null outer_join = pd.merge(left, right, how="outer") print(outer_join) """ key A B C D 0 K0 A0 B0 C0 D0 1 K1 A1 B1 C1 D1 2 K2 A2 B2 NaN NaN 3 K3 A3 B3 NaN NaN 4 K4 NaN NaN C4 D4 5 K5 NaN NaN C5 D5 """
三、concat
Pandas实现数据的合并concat
使用场景：批量合并相同格式的Excel、给DataFrame添加行或列
3.1 concat
concat语法（按照轴向合并pandas对象）
- pandas.concat(objs, axis=0, join='outer', ignore_index=False)
- objs：一个列表，内容可以是DataFrame或者Series，可以混合
- axis：默认是0代表按行合并，如果等于1代表按列合并
- join：合并的时候索引的对齐方式，默认是outer join，也可以是inner join
- ignore_index：是否忽略掉原来的数据索引
一言以蔽之：
使用某种合并方式（inner/outer）
沿着某个轴向（axis=0/1）
把多个Pandas对象（DataFrame/Series）合并成一个
def test_concat(): # 一、使用pandas.concat合并数据 df1 = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3'], 'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3'], 'E': ['E0', 'E1', 'E2', 'E3'], }) df2 = pd.DataFrame({ 'A': ['A4', 'A5', 'A6', 'A7'], 'B': ['B4', 'B5', 'B6', 'B7'], 'C': ['C4', 'C5', 'C6', 'C7'], 'D': ['D4', 'D5', 'D6', 'D7'], 'F': ['F4', 'F5', 'F6', 'F7'], }) print(df1) print(df2) """ A B C D E 0 A0 B0 C0 D0 E0 1 A1 B1 C1 D1 E1 2 A2 B2 C2 D2 E2 3 A3 B3 C3 D3 E3 A B C D F 0 A4 B4 C4 D4 F4 1 A5 B5 C5 D5 F5 2 A6 B6 C6 D6 F6 3 A7 B7 C7 D7 F7 """ # 1：默认的concat，参数为axis=0，join=outer，ignore_index=False df_result_1 = pd.concat([df1, df2]) print(df_result_1) """ A B C D E F 0 A0 B0 C0 D0 E0 NaN 1 A1 B1 C1 D1 E1 NaN 2 A2 B2 C2 D2 E2 NaN 3 A3 B3 C3 D3 E3 NaN 0 A4 B4 C4 D4 NaN F4 1 A5 B5 C5 D5 NaN F5 2 A6 B6 C6 D6 NaN F6 3 A7 B7 C7 D7 NaN F7 """ # 2：使用 ignore_index=False 忽略掉原来的数据索引 df_result_2 = pd.concat([df1, df2], ignore_index=True) print(df_result_2) """ A B C D E F 0 A0 B0 C0 D0 E0 NaN 1 A1 B1 C1 D1 E1 NaN 2 A2 B2 C2 D2 E2 NaN 3 A3 B3 C3 D3 E3 NaN 4 A4 B4 C4 D4 NaN F4 5 A5 B5 C5 D5 NaN F5 6 A6 B6 C6 D6 NaN F6 7 A7 B7 C7 D7 NaN F7 """ # 3：使用 join：过滤匹配不到的列 df_result_3 = pd.concat([df1, df2], join="inner", ignore_index=True) print(df_result_3) """ A B C D 0 A0 B0 C0 D0 1 A1 B1 C1 D1 2 A2 B2 C2 D2 3 A3 B3 C3 D3 0 A4 B4 C4 D4 1 A5 B5 C5 D5 2 A6 B6 C6 D6 3 A7 B7 C7 D7 """ # 4_1：添加一列Series s1 = pd.Series(list(range(4)), name="F") df_result_4_1 = pd.concat([df1, s1], axis=1) print(df_result_4_1) """ A B C D E F 0 A0 B0 C0 D0 E0 0 1 A1 B1 C1 D1 E1 1 2 A2 B2 C2 D2 E2 2 3 A3 B3 C3 D3 E3 3 """ # 4_2：添加多列Series s2 = df1.apply(lambda x: x["A"] + "_GG", axis=1) s2.name = "G" df_result_4_2 = pd.concat([s1, df1, s2], axis=1) # 列表顺序随意的 print(df_result_4_2) """ F A B C D E G 0 0 A0 B0 C0 D0 E0 A0_GG 1 1 A1 B1 C1 D1 E1 A1_GG 2 2 A2 B2 C2 D2 E2 A2_GG 3 3 A3 B3 C3 D3 E3 A3_GG """ df_result_4_3 = pd.concat([s1, s2], axis=1) # 列表内容可以只有Series print(df_result_4_3) """ F G 0 0 A0_GG 1 1 A1_GG 2 2 A2_GG 3 3 A3_GG """
3.2 append（不建议使用）
真香警告：FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.
大概意思是：后期不在支持append语法，建议使用concat。
append语法
- pandas.concat(objs, axis=0, join='outer', ignore_index=False)
- other：单个dataframe、series、dict，或者列表
- ignore_index：是否忽略掉原来的数据索引
def test_append(): # 二、使用pandas.concat合并数据 # FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead df1 = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) # 1：给一个DataFrame添加一个DataFrame df_result_1 = df1.append(df2, ignore_index=True) # 建议用：df_result_1 = pd.concat([df1, df2], ignore_index=True) print(df_result_1) """ A B 0 1 2 1 3 4 2 5 6 3 7 8 """
四、分层索引（MultiIndex）
为什么要学习分层索引
- 分层索引：在一个轴向上拥有多个索引层级，可以表达更高纬度的形式
- 可以更方便的进行数据帅选，如果有序则性能更好
- groupby等操作结果，如果是多key，结果是分层索引，需要会使用
- ps：虽然MultiIndex有构造函数，但是一般不用
主要内容：
- 1：Series的分层索引MultiIndex
- 2：Series的多层索引怎样筛选数据？
- 3：DataFrame的分层索引MultiIndex
- 4：DataFrame的多层索引怎样筛选数据？
4.1 Series的分层索引MultiIndex
def series_multi_index_score(): # 一、Series的分层索引MultiIndex # 获取数据 df = get_data_from_db() df = df[["id", "profession_name", "course_name", "score_total"]] print(df) """ id profession_name course_name score_total 0 7 经济与管理 语文-经 77.0 1 8 经济与管理 语文-经 60.0 2 9 经济与管理 语文-经 50.0 3 10 经济与管理 语文-经 100.0 4 11 经济与管理 语文-经 80.0 .. ... ... ... ... 475 482 挖掘机 挖掘机实操-挖 60.0 """ # 1:首先需要利用.groupby(多个字段列表) 就会建立一个多维索引的结构，即先按一个字段分，再按另一个字段分 data_1 = df.groupby(['profession_name', 'course_name'])["score_total"].mean() print(data_1) # 在多维索引中，空白表示上面的值，例如索引列。 """ profession_name course_name 挖掘机 挖掘机实操-挖 100.0 数学-挖 90.0 英语-挖 100.0 语文-挖 100.0 文学与历史 世界史-文 100.0 数学-文 90.0 英语-文 100.0 语文-文 100.0 经济与管理 数学-经 90.0 经济学-经 100.0 英语-经 100.0 语文-经 100.0 ....... """ print(data_1.index) # 我们来看下series的分层索引。列表[(一级索引,二级索引)] """ MultiIndex([( '挖掘机', '挖掘机实操-挖'), ( '挖掘机', '数学-挖'), ( '挖掘机', '英语-挖'), ( '挖掘机', '语文-挖'), ('文学与历史', '世界史-文'), ...... """ print(data_1.unstack()) # unstack 把二级索引变成列 """ course_name 世界史-文 挖掘机实操-挖 ... 语文-经 语文-计 profession_name ... 挖掘机 NaN 57.333333 ... NaN NaN 文学与历史 57.333333 NaN ... NaN NaN 经济与管理 NaN NaN ... 76.166667 NaN 计算机 NaN NaN ... NaN 76.166667 """ print(data_1.reset_index()) # reset_index 把索引变成列 """ profession_name course_name score_total 0 挖掘机 挖掘机实操-挖 57.333333 1 挖掘机 数学-挖 66.166667 2 挖掘机 英语-挖 71.346154 3 挖掘机 语文-挖 76.166667 4 文学与历史 世界史-文 57.333333 5 文学与历史 数学-文 66.166667 6 文学与历史 英语-文 69.833333 7 文学与历史 语文-文 76.166667 ...... """ # 二、Series的分层索引MultiIndex怎样筛选数据 # 1：当Series拥有多层索引后使用.loc[‘字段’]可以取出整个， print(data_1.loc["挖掘机"]) """ course_name 挖掘机实操-挖 57.333333 数学-挖 66.166667 英语-挖 71.346154 语文-挖 76.166667 """ # 可以使用元组的形式筛选 print(data_1.loc[("挖掘机", "语文-挖")]) """ 76.16666666666667 """ # 可以只筛选第二层索引 print(data_1.loc[:, "语文-挖"]) """ profession_name 挖掘机 76.166667 """
4.2 DataFrame的分层索引MultiIndex
# 一、DataFrame的分层索引MultiIndex # 获取数据 df = get_data_from_db() data_1 = df[["id", "profession_name", "course_name", "exams_date", "score_total"]] data_1["exams_date"] = data_1["exams_date"].apply(str) print(data_1) """ id profession_name course_name exams_version score_total 0 7 经济与管理 语文-经 2022-02-11 77.0 1 8 经济与管理 语文-经 2022-02-11 60.0 2 9 经济与管理 语文-经 2022-02-11 50.0 3 10 经济与管理 语文-经 2022-02-11 100.0 4 11 经济与管理 语文-经 2022-02-11 80.0 .. ... ... ... ... ... 475 482 挖掘机 挖掘机实操-挖 2022-03-14 60.0 """ # 1:利用set_index 设置分层索引 data_1.set_index(['profession_name', 'exams_date'], inplace=True) print(data_1.index) # 在多维索引中，空白表示上面的值，例如索引列。 """ MultiIndex([('经济与管理', 2022-02-11), ('经济与管理', 2022-02-11), ('经济与管理', 2022-02-11), ... ( '挖掘机', 2022-03-14), ( '挖掘机', 2022-03-14), ( '挖掘机', 2022-03-14)], names=['profession_name', 'exams_date'], length=480) """ data_2 = data_1.copy() data_2.sort_index(inplace=True) print(data_2) """ id course_name score_total profession_name exams_date 挖掘机 2022-02-11 79 语文-挖 77.0 2022-02-11 80 语文-挖 60.0 2022-02-11 81 语文-挖 50.0 2022-02-11 82 语文-挖 100.0 2022-02-11 83 语文-挖 80.0 ... ... ... ... 计算机 2022-03-14 434 计算机-计 60.0 2022-03-14 435 计算机-计 9.0 2022-03-14 436 计算机-计 100.0 """ # 二、DataFrame的分层索引MultiIndex怎样筛选数据 # 在选择数据时： # 元组(key1,key2)代表筛选多层索引，其中key1是索引第一级，key2是第二级，比如key1=计算机, key2=2022-03-14 # 列表[key1,key2]代表同一层的多个KEY，其中key1和key2是并列的同级索引，比如key1=计算机, key2=挖掘机 print(data_2.loc["计算机"]) # 通过列表，一级索引 """ exams_date 2022-02-11 31 语文-计 77.0 2022-02-11 32 语文-计 60.0 2022-02-11 33 语文-计 50.0 2022-02-11 34 语文-计 100.0 2022-02-11 35 语文-计 80.0 ... ... ... ... 2022-03-14 434 计算机-计 60.0 """ print(data_2.loc[("计算机", '2022-02-11'), :]) # 通过元祖，（一级索引，二级索引），: 冒号表示选择所有列 """ id course_name score_total profession_name exams_date 计算机 2022-02-11 31 语文-计 77.0 2022-02-11 32 语文-计 60.0 2022-02-11 33 语文-计 50.0 2022-02-11 34 语文-计 100.0 2022-02-11 35 语文-计 80.0 2022-02-11 36 语文-计 90.0 2022-02-11 37 数学-计 69.0 ... ... ... """ print(data_2.loc[("计算机", '2022-02-11'), 'score_total']) # 通过元祖，（一级索引，二级索引），可以指明某些列 """ profession_name exams_date 计算机 2022-02-11 77.0 2022-02-11 60.0 2022-02-11 50.0 2022-02-11 100.0 2022-02-11 80.0 ... ... ... """ print(data_2.loc[["计算机", "挖掘机"], :]) # 通过列表，（一级索引=计算机，一级索引=挖掘机），: 冒号表示选择所有列 """ id course_name score_total profession_name exams_date 计算机 2022-02-11 31 语文-计 77.0 2022-02-11 32 语文-计 60.0 2022-02-11 33 语文-计 50.0 2022-02-11 34 语文-计 100.0 2022-02-11 35 语文-计 80.0 ... ... ... ... 挖掘机 2022-03-14 482 挖掘机实操-挖 60.0 2022-03-14 483 挖掘机实操-挖 9.0 2022-03-14 484 挖掘机实操-挖 100.0 2022-03-14 485 挖掘机实操-挖 80.0 """ print(data_2.loc[(["计算机", "挖掘机"], ['2022-02-11', '2022-03-14']), "score_total"]) # 通过列表 """ profession_name exams_date 计算机 2022-02-11 77.0 2022-02-11 60.0 2022-02-11 50.0 2022-02-11 100.0 2022-02-11 80.0 ... 挖掘机 2022-03-14 60.0 2022-03-14 9.0 2022-03-14 100.0 2022-03-14 80.0 2022-03-14 90.0 """ print(data_2.loc[(slice(None), ['2022-02-11', '2022-03-14']), :]) # slice(None)代表筛选这一索引的所有内容 """ id course_name score_total profession_name exams_date 挖掘机 2022-02-11 79 语文-挖 77.0 2022-02-11 80 语文-挖 60.0 2022-02-11 81 语文-挖 50.0 2022-02-11 82 语文-挖 100.0 2022-02-11 83 语文-挖 80.0 ... ... ... ... 计算机 2022-03-14 434 计算机-计 60.0 2022-03-14 435 计算机-计 9.0 2022-03-14 436 计算机-计 100.0 2022-03-14 437 计算机-计 80.0 2022-03-14 438 计算机-计 90.0 """ # print(data_2.reset_index()) # reset_index 把索引变成列
