pandas之索引选取

导语
pandas不是像list和numpy一样传统的索引，它需要df.函数（）来连接
传统的方式适用于单独选取dataframe行或者列。

导入数据：

 

#导入pandas和numpy库
import pandas as pd
import numpy as np
from pandas import Series,DataFrame 
test=pd.read_excel("/Users/yaozhilin/Downloads/exercise.xlsx",sep="t")
test.head(5)#显示前五行

 

 

 

 

单独选取行或者列

test[:2]#选取行

 

 

 

 

test["工单号"].head(3)

0    A12-086
1    A12-087
2    A12-088
Name: 工单号, dtype: object



•loc

基于标签索引
1、行与列的list或者切片选取(.loc[:,[]]或.loc[[],:]等）
2、行的布尔值筛选与列的list或者切片选取进行条件筛选
注：因为基于标签索引，所以索引结果为前闭后闭

~行和列的切片或者[]组合选取

 

test.loc[:4,["工单号","所属区域","数量"]]#行-切片，列-list

 

test.loc[[1,2,3],["工单号","所属区域","数量"]]#行-list，列-list

 

 

 

 

~行的布尔值筛选与列的list或者切片选取进行条件筛选

test.loc[test["数量"]>=800,["工单号","所属区域","数量"]]#行-布尔值，列-list

 

 

 

•iloc

iloc:基于位置索引 是传统的前闭后开

 

正常索引与loc一样行和列可以随意切片或者是[]的形式

test.iloc[0:3,0:3]

 

 

 

 

 

布尔值索引筛选过滤:

因为loc是直接将标签和筛选值连在一起可以直接筛选，而iloc是基于位置的筛选不能直接识别筛选值

 

test["数量"].values#变为数组获取值的位置

 

test.iloc[test["数量"].values>=800,0:3]

 

 

 

 

多重索引

构建多重索引：

~set_index、reset_index原表数据构建

 

test.set_index( keys,drop=True,append=False, inplace=False,verify_integrity=False)
drop表示设置为新索引的列是否保存在原数据

append表示旧的索引是否保存

test.set_index(["所属区域","产品类别"],drop=True,append=True,inplace=True)
test

 

 

 

 

还原

test.reset_index(level=[1,2],inplace=True)2 test

 

 

~zip创建

pd.MultiIndex.from_tuples、zip的用法：将两集合拆包组成新的配对集合

 

X=[1,2,3,4]
Y=['a','b','c','d']
XY=list(zip(X,Y))
print(XY)

 

[(1, 'a'), (2, 'b'), (3, 'c'), (4, 'd')]

z1,z2=zip(*XY)

z1

(1, 2, 3, 4)

 

 

indexs=pd.MultiIndex.from_tuples(XY,names=["first","scend"])

df=pd.DataFrame(np.random.randn(4),columns=['A'],index=indexs)
df

 

 

loc常规按顺序索引

test.set_index(["所属区域","产品类别"],drop=True,inplace=True)
test.loc[("苏州","睡袋"),"数量"]#indexs用（），且不能不写第一索引

所属区域  产品类别
苏州    睡袋      120.0
      睡袋      160.0
      睡袋      100.0
      睡袋      360.0
      睡袋      240.0
      睡袋      120.0

     .....

注：test.loc[(,"睡袋")]
但是直接跳过第一索引会报错

可使用slice切片组合使用，但slice使用过程中所有索引与列均要显示指出

test.loc[(slice(None),"睡袋"),:]#冒号不能省略