在数据处理时，经常会因为index报错而发愁。不要紧，本次来和大家聊聊pandas中处理索引的几种常用方法。
1.读取时指定索引列
很多情况下，我们的数据源是 CSV 文件。假设有一个名为的文件data.csv，包含以下数据。
|
1 2 3 4 |
date,temperature,humidity 07/01/21,95,50 07/02/21,94,55 07/03/21,94,56 |
默认情况下，pandas将会创建一个从0开始的索引行，如下：
|
1 2 3 4 5 |
>>> pd.read_csv("data.csv", parse_dates=["date"]) date temperature humidity 0 2021-07-01 95 50 1 2021-07-02 94 55 2 2021-07-03 94 56 |
但是，我们可以在导入过程中通过将index_col参数设置为某一列可以直接指定索引列。
|
1 2 3 4 5 6 |
>>> pd.read_csv("data.csv", parse_dates=["date"], index_col="date") temperature humidity date 2021-07-01 95 50 2021-07-02 94 55 2021-07-03 94 56 |
2. 使用现有的 DataFrame 设置索引
当然，如果已经读取数据或做完一些数据处理步骤后，我们可以通过set_index手动设置索引。
|
1 2 3 4 5 6 7 |
>>> df = pd.read_csv("data.csv", parse_dates=["date"]) >>> df.set_index("date") temperature humidity date 2021-07-01 95 50 2021-07-02 94 55 2021-07-03 94 56 |
这里有两点需要注意下。
set_index方法默认将创建一个新的 DataFrame。如果要就地更改df的索引，需要设置inplace=True。
|
1 |
df.set_index(“date”, inplace=True) |
如果要保留将要被设置为索引的列，可以设置drop=False。
|
1 |
df.set_index(“date”, drop=False) |
3. 一些操作后重置索引
在处理 DataFrame 时，某些操作（例如删除行、索引选择等）将会生成原始索引的子集，这样默认的数字索引排序就乱了。如要重新生成连续索引，可以使用reset_index方法。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
>>> df0 = pd.DataFrame(np.random.rand(5, 3), columns=list("ABC")) >>> df0 A B C 0 0.548012 0.288583 0.734276 1 0.342895 0.207917 0.995485 2 0.378794 0.160913 0.971951 3 0.039738 0.008414 0.226510 4 0.581093 0.750331 0.133022 >>> df1 = df0[df0.index % 2 == 0] >>> df1 A B C 0 0.548012 0.288583 0.734276 2 0.378794 0.160913 0.971951 4 0.581093 0.750331 0.133022 >>> df1.reset_index(drop=True) A B C 0 0.548012 0.288583 0.734276 1 0.378794 0.160913 0.971951 2 0.581093 0.750331 0.133022 |
通常，我们是不需要保留旧索引的，因此可将drop参数设置为True。同样，如果要就地重置索引，可设置inplace参数为True，否则将创建一个新的 DataFrame。
4. 将索引从 groupby 操作转换为列
groupby分组方法是经常用的。比如下面通过添加一个分组列team来进行分组。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
>>> df0["team"] = ["X", "X", "Y", "Y", "Y"] >>> df0 A B C team 0 0.548012 0.288583 0.734276 X 1 0.342895 0.207917 0.995485 X 2 0.378794 0.160913 0.971951 Y 3 0.039738 0.008414 0.226510 Y 4 0.581093 0.750331 0.133022 Y >>> df0.groupby("team").mean() A B C team X 0.445453 0.248250 0.864881 Y 0.333208 0.306553 0.443828 |
默认情况下，分组会将分组列编程index索引。但是很多情况下，我们不希望分组列变成索引，因为可能有些计算或者判断逻辑还是需要用到该列的。因此，我们需要设置一下让分组列不成为索引，同时也能完成分组的功能。
有两种方法可以完成所需的操作，第一种是用reset_index，第二种是在groupby方法里设置as_index=False。个人更喜欢第二种方法，它只涉及两个步骤，更简洁。
|
1 2 3 4 5 6 7 8 |
>>> df0.groupby("team").mean().reset_index() team A B C 0 X 0.445453 0.248250 0.864881 1 Y 0.333208 0.306553 0.443828 >>> df0.groupby("team", as_index=False).mean() team A B C 0 X 0.445453 0.248250 0.864881 1 Y 0.333208 0.306553 0.443828 |
5.排序后重置索引
当用sort_value排序方法时也会遇到这个问题，因为默认情况下，索引index跟着排序顺序而变动，所以是乱雪。如果我们希望索引不跟着排序变动，同样需要在sort_values方法中设置一下参数ignore_index即可。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
>>> df0.sort_values("A") A B C team 3 0.039738 0.008414 0.226510 Y 1 0.342895 0.207917 0.995485 X 2 0.378794 0.160913 0.971951 Y 0 0.548012 0.288583 0.734276 X 4 0.581093 0.750331 0.133022 Y >>> df0.sort_values("A", ignore_index=True) A B C team 0 0.039738 0.008414 0.226510 Y 1 0.342895 0.207917 0.995485 X 2 0.378794 0.160913 0.971951 Y 3 0.548012 0.288583 0.734276 X 4 0.581093 0.750331 0.133022 Y |
6.删除重复后重置索引
删除重复项和排序一样，默认执行后也会打乱排序顺序。同理，可以在drop_duplicates方法中设置ignore_index参数True即可。
|
1 2 3 4 5 6 7 8 9 10 11 |
>>> df0 A B C team 0 0.548012 0.288583 0.734276 X 1 0.342895 0.207917 0.995485 X 2 0.378794 0.160913 0.971951 Y 3 0.039738 0.008414 0.226510 Y 4 0.581093 0.750331 0.133022 Y >>> df0.drop_duplicates("team", ignore_index=True) A B C team 0 0.548012 0.288583 0.734276 X 1 0.378794 0.160913 0.971951 Y |
7. 索引的直接赋值
当我们有了一个 DataFrame 时，想要使用不同的数据源或单独的操作来分配索引。在这种情况下，可以直接将索引分配给现有的 df.index。
|
1 2 3 4 5 6 7 8 9 |
>>> better_index = ["X1", "X2", "Y1", "Y2", "Y3"] >>> df0.index = better_index >>> df0 A B C team X1 0.548012 0.288583 0.734276 X X2 0.342895 0.207917 0.995485 X Y1 0.378794 0.160913 0.971951 Y Y2 0.039738 0.008414 0.226510 Y Y3 0.581093 0.750331 0.133022 Y |
8.写入CSV文件时忽略索引
数据导出到 CSV 文件时，默认 DataFrame 具有从 0 开始的索引。如果我们不想在导出的 CSV 文件中包含它，可以在to_csv方法中设置index参数。
|
1 |
>>> df0.to_csv("exported_file.csv", index=False) |
如下所示，导出的 CSV 文件中，索引列未包含在文件中。
其实，很多方法中都有关于索引的设置，只不过大家一般比较关心数据，而经常忽略了索引，才导致继续运行时可能会报错。以上几个高频的操作都是有索引设置的，建议大家平时用的时候养成设置索引的习惯，这样会节省不少时间。
