pandas Index 对象 -（创建、转换、排序、设置索引）
Index对象负责管理轴标签、轴名称等元数据，是一个不可修改的、有序的、可以索引的ndarry对象。在构建Sereis或DataFrame时，所用到的任何数据或者array-like的标签，都会转换为一个Index对象。Index对象是一个从索引到数据值的映射，在pandas中，axis=0 表示行索引，用于唯一标识行的位置；axis=1 表示列索引，用于唯一标识列的位置。对于序列，只需要一个索引就可以唯一标识一个cell；对于DataFrame，就需要至少两个索引才可以唯一标识一个cell。
一，索引的构造函数
用于创建索引的最基础的构造函数：
pandas.Index(data,dtype=object,name)
参数注释：
- data：类似于一维数组的对象
- dtype：用于设置索引元素的类型，默认值是object
- name：索引的名称，默认值是Index
举个例子，创建一个整数索引：
>>> pd.Index([1, 2, 3]) Int64Index([1, 2, 3], dtype='int64')
索引是一个ndarray对象，元素的类型相同，每一个Index对象，常用的属性有：
- values：索引的值
- array：以数组形式返回索引元素的值
- dtype：索引元素的数据类型
- name：索引的名称属性
- shape：索引的形状
二，索引的重要作用是数据对齐
Series和DataFrame可以按照索引值进行算术运算。在将对象相加时，相同的索引映射的值进行加法运算，缺失的索引映射的值默认是NA。
举个例子，有两个序列s1 和 s2，计算s1+s2，pandas会按照索引进行加法运算，对于没有对齐的索引，默认值是NaN。
s1=Series([1,2,3,4],index=['a','b','c','d']) s2=Series([10,12,13,14],index=['a','b','c','e']) print(s1+s2)
也可以通过Series和DataFrame的函数来设置默认的填充值。下面的例子中，我们设置默认的填充值是0。
print(s1.add(s2,fill_value=0))
三，索引的转换
索引是一个ndarray对象，不仅元素类型可以转换，其对象本身也可以强转为其他like-array类型，比如list、Series和DataFrame。
1，强转索引值的类型
显式把索引元素的类型强制转换成其他数据类型：
Index.astype(self, dtype, copy=True)
2，把索引转换成list
list是由索引的值构成的：
Index.to_list(self)
3，把索引转换成Series
Series的索引值和数据值相同，是由原索引的数据值构成的：
Index.to_series(self, index=None, name=None)
参数index 表示新建Sereis的索引，默认值是None，表示新建Sereis的索引就是原索引。
>>> idx = pd.Index(['Ant', 'Bear', 'Cow'], name='animal') >>> idx.to_series() animal Ant Ant Bear Bear Cow Cow Name: animal, dtype: object
4，把索引转换成DataFrame
创建一个新的DataFrame对象，列的值是由索引值构成的，默认情况下，新DataFrame的索引就是原索引：
Index.to_frame(self, index=True, name=None)
参数index表示是否把原索引作为新创建的DataFrame对象的索引，默认值是True。
>>> idx = pd.Index(['Ant', 'Bear', 'Cow'], name='animal') >>> idx.to_frame() animal animal Ant Ant Bear Bear Cow Cow
5，把索引展开为ndarray对象
该方法和numpy.ravel() 相同，把Index对象展开为一维的ndarray对象：
Index.ravel(self, order='C')
四，索引的排序
按照索引的值进行排序，但是返回索引值的下标，参数 *args和 **kwargs都是传递给numpy.ndarray.argsort函数的参数。
Index.argsort(self, *args, **kwargs)
按照索引的值进行排序，返回排序的副本，参数return_indexer 表示是否返回索引值的下标：
Index.sort_values(self, return_indexer=False, ascending=True)
举个例子，有如下索引：
>>> idx = pd.Index(['b', 'a', 'd', 'c']) Index(['b', 'a', 'd', 'c'], dtype='object')
按照索引值进行排序，返回排序索引的下标：
>>> order = idx.argsort() >>> order array([1, 0, 3, 2])
通过下标来查看索引的排序值：
>>> idx[order] Index(['a', 'b', 'c', 'd'], dtype='object')
当然，也可以直接返回已排序的索引：
>>> idx.sort_values() Index(['a', 'b', 'c', 'd'], dtype='object')
如果要返回已排序的索引和对应的下标，需要设置参数return_indexer=True：
>>> idx.sort_values(return_indexer=True) (Index(['a', 'b', 'c', 'd'], dtype='object'), array([1, 0, 3, 2], dtype=int64))
五，设置索引
数据框有一个函数set_idex() 用于把数据框中的列设置为行索引，对于单级索引来说，函数的参数设置为数据框的一个列名：
DataFrame.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False)
参数注释：
- keys：对于单级别索引而言，keys是数据框的一个列名
- drop：是否把原始列给删除
- inplace：是否原地替换
- verify_integrity：是否检查新索引值是否重复
举个例子，下面的代码把索引替换为列c：
In [323]: data Out[323]: a b c d 0 bar one z 1.0 1 bar two y 2.0 2 foo one x 3.0 3 foo two w 4.0 In [324]: indexed1 = data.set_index('c') In [325]: indexed1 Out[325]: a b d c z bar one 1.0 y bar two 2.0 x foo one 3.0 w foo two 4.0
数据框还有一个函数reset_index()，用于移除数据框的索引，并把移除的索引作为数据框的新列，然后使用默认的整数范围索引来代替：
DataFrame.reset_index(level=None, drop=False, inplace=False)
参数注释：
- level：索引的级别，默认情况下，移除所有的索引，
- drop：删除的索引是否删除，默认情况下，把移除的索引插入到数据框中作为新列
- inplace：数据库是否原地替换
参考文档：
