Pandas索引机制

pandas 相比 numpy ，一个很重要的特点就在于它引入了显式的索引机制。显式的索引在方便数据获取的同时，也可能造成学习上的困惑。接下来首先详细介绍 pandas 的索引机制。

Series与索引

之前说过，Series 对象可以看作一种字典，它提供了索引与值对的映射，因此可以使用字典一样的方式获取值：

Series 的许多操作都和 Python 字典很像，例如可以通过 item assignment 增加新的索引-值对，这等价于向 Series 添加新的一项：

这种自定义的索引是显式的，它是真实存在的，因此可以向字典一样获取所有的索引-值对：

Series 不仅有着和字典一样的索引操作，还具备和 numpy 数组一样的数组数据选择功能，例如数组索引：

这么看来，Series 的索引除了允许自定义外，和 ndarray 的索引好像没什么区别。不过注意，Series 的索引是允许重复的，这可能会导致一次性获取到多个值：

此外，这种索引在用作切片时，得到的结果将包含后端的值：

这样做的好处是不用明白它后一项的索引是什么。但如果索引有重复的话，将不能用于切片操作：

这种索引机制可能会导致数据获取的不便。但实际上，Series 依然保留了 numpy 数组从零开始、切片时前闭后开的隐式索引：

这两种索引方式很容易造成混淆，尤其是使用自定义整数作索引时，它可能会覆盖隐式索引，使得某些操作失效：

因此 pandas 提供了一些索引器作为取值的方法，它们是 Series 对象暴露取值与切片接口的属性。

第一种索引器是 .loc 属性，表示用的是自定义、可重复、类型不限、切片时包含两端的显式索引：

第二种索引器是 .iloc 属性，表示用的是从 0 开始、切片前闭后开的整数隐式(implicit)索引：

这两种索引器独立工作，不能混用，因此可以各自用于需要的场景中。

DataFrame与索引

之前说过 DataFrame 也可以看作一种字典，它提供了列索引与 Series 对的映射，因此可以使用字典一样的方式由列索引获取一个 Series ：

和前面介绍的 Series 对象一样，也可以用 item assignment 增加一列：

因此对列索引而言，它和 Series 的索引机制比较像。但是由于 DataFrame 行列都有索引，因此单级的显式索引只能作用于列，否则操作很容易引起歧义。

除此之外，直接对行或列应用隐式索引会引起错误。从概念上来说，对行和列的隐式索引容易存在误解：如果将 DataFrame 看作结构数组，那么一列就代表一个结构成员，列与列之间并没有严格的先后关系，直接取第几列这种操作无法让人明白其意图。而行虽然没有这种误解，但是会产生一个更关键的问题：直接取某一行使得行索引不再被用到而丢弃，返回一个 Series ，但是 Series 要求所有元素的类型一致，而一个结构各成员间往往有着各自各样的类型，强行统一它们的类型会造成类型提升，为后续操作带来更多问题。

一种特殊的情况是切片。切片将会保留行索引，得到的仍然是一个 DataFrame 。如果切片涉及的范围只有一行，那么就基本等价于获取 DataFrame 的某一行（虽然得到的仍然是一个二维数组）：

因此，除了对列应用显式索引外，其它形式的索引不仅应该使用索引器，而且应该使用 numpy 高维数组的索引方式。

例如，以下使用隐式索引器获取 DataFrame 的元素。这里在代表取值的方括号内传入了一个元组，第一个元素指代行的隐式索引，第二个元素指代列的隐式索引：

根据隐式索引的规则，获取的应该是第 3 行第 2 列位置的元素。

再如，以下使用显式索引器得到指定几行的元素。这里对行应用数组索引，对列使用单个冒号 : 表示全部切片：

最后，下图总结了 DataFrame 的索引：

层级索引

层级索引的概念

通过之前的介绍可以认识到，DataFrame 是一种二维的结构。但有些时候，处理的数据可能不止两个维度。例如，在操作 Excel 时，经常可以看到这样的表格：

		2021		2022
		mid term	end of term	mid term	end of term
grade 1	class 1	86	88	89	90
	class 2	88	87	91	89
	class 3	84	86	86	85
grade 2	class 1	86	94	90	91
	class 2	85	84	87	91
	class 3	87	91	90	90

这种数据可以从四个维度聚合：对列来说，可以得出每个年度的得分平均值，也可以得出历年期中和期末的得分平均值；对行也是同理。只凭借二维数据无法实现这样的关系，这时就需要使用层级索引。层级索引可以从多个角度来描述数据的分组。

pandas 中的索引类型不仅限于数值和字符串，甚至还能使用元组，例如：

元组表示存储了多个值，是多级索引的基础。pandas 的 MultiIndex 类提供了更丰富的操作方法。可以用它的类方法从元组创建一个多级索引：

通过 names 参数可以为这两个层级指定名称，方面区分各索引层。层级名称会保存到索引对象的 .names 属性中。

如果将前面创建的 Series 对象使用 .reindex() 方法将它的索引重置为 MultiIndex 对象，就会看到一个层级索引结构：

关于层级索引，需要记住的是：层级索引可以看作一个元素对应多个索引，或者说一个索引元组。如果检查层级索引的 .values 属性，会发现每个索引都使用多个值来描述：

因此在获取元素的时候，也需要通过多个值，或者说一个元组来获取：

多个值或一个元组构成的索引也可以用于切片。除了索引由一个值变成一个元组外，均遵循一维 Series 的切片规则，例如可以使用显式索引器 .loc ：

显式索引器使切片包含两端的元素。返回检查层级索引的 .values 属性可以发现，包含两端的元素确实是 3 个。

这里需要注意，如果层级索引不是有序的，那么大多数切片操作都会失败。以下演示一种会导致错误的操作：

问题出在切片和许多其它相似的操作都要求 MultiIndex 的各级索引是有序的。为此，pandas 提供了一些操作可以实现对索引的排序，最简单的方法是 .sort_index() ：

经过索引排序后的切片结果就正常了。这里再次使用 inplace 参数来提醒默认情况下排序后得到的是一个新的对象，而不是在原有对象的基础上做修改。

层级索引相比普通的索引，索引类型由一个值变为多个值（或者说一个元组）。这看似多此一举，但是它允许从不同层面来处理一维的数据。如果访问层级索引的 .level 属性，可以得到：

这说明该层级索引有两层：从索引的角度看，第一层有 2 种不同的索引，第二层有 3 种不同的索引；从数据的角度看，根据第一层索引可以将数据分为 2 类，根据第二层可以将数据分为 3 类。因此数据在聚合、变换时，可以根据不同的索引层级，从不同的角度处理。例如，对于以上具有层级索引的 Series ，可以统计每个 "class" 的数值平均值：

新版本的 pandas 可能已经弃用了这种使用方式，或者抛出 FutureWarning ，提示说应该使用对表作分组计算后再合并，这就是以后介绍的内容了。

具有层级索引的 Series 很像一个 DataFrame 。事实上，使用对象的 .unstack() 方法可以将一个多级索引的 Series 转化为普通索引的 DataFrame ：

或者使用 .stack() 方法实现相反的效果，将一个 DataFrame 变成具有多级索引的 Series 。 既然可以用含多级索引的一维 Series 数据表示二维数据，那么就可以用 Series 或 DataFrame 表示三维甚至更高维度的数据。借助多级索引，可以使三维及以上的数据以一种较为易读的形式表示出来。层级索引每增加一层，就表示数据增加一维，使得 DataFrame 可以表示任意维度的数据。因此 pandas 并没有提供三维及以上的数量类型。

DataFrame与层级索引

在 DataFrame 使用层级索引和在 Series 上使用层级索引是一致的，只不过列索引和行索引都可以设置为层级索引。

以下创建一个较为复杂的、行列都具有两级索引的 DataFrame 用于演示：

对 DataFrame 索引和 Series 基本一致，需要通过元组形式的索引来获取一个 Series ，并会保留行的层级索引：

索引器和切片的用法都是一致的：

不过这种索引元组的用法不是很方便，因为这个 DataFrame 实际上可以看作四维数据，但是只能在两个维度上切片。如果想获取所有人在第 1 学期的数学成绩，那么可能需要这样的索引：

这是错误的用法，它会直接导致解释出错。为此，pandas 提供了 IndexSlice 对象，专门用来解决高维 DataFrame 的切片问题，例如：

下图总结了 DataFrame 的层级索引：