当前位置: 开发笔记 > 编程语言 > 正文

python pandas创建多层索引MultiIndex的6种方式【mysql基础】

作者：小丫2502895573 | 来源：互联网 | 2023-10-12 12:05

这篇文章主要为大家介绍了python pandas创建多层索引MultiIndex的6种方式，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多

引言

在上一篇文章中介绍了如何创建Pandas中的单层索引，今天给大家带来的是如何创建Pandas中的多层索引。

pd.MultiIndex，即具有多个层次的索引。通过多层次索引，我们就可以操作整个索引组的数据。本文主要介绍在Pandas中创建多层索引的6种方式：

pd.MultiIndex.from_arrays()：多维数组作为参数，高维指定高层索引，低维指定低层索引。
pd.MultiIndex.from_tuples()：元组的列表作为参数，每个元组指定每个索引(高维和低维索引)。
pd.MultiIndex.from_product()：一个可迭代对象的列表作为参数，根据多个可迭代对象元素的笛卡尔积（元素间的两两组合）进行创建索引。
pd.MultiIndex.from_frame：根据现有的数据框来直接生成
groupby()：通过数据分组统计得到
pivot_table()：生成透视表的方式来得到

pd.MultiIndex.from_arrays()

In [1]:

import pandas as pd
import numpy as np

通过数组的方式来生成，通常指定的是列表中的元素：

In [2]:

# 列表元素是字符串和数字
array1 = [["xiaoming","guanyu","zhangfei"], 
          [22,25,27]
         ]
m1 = pd.MultiIndex.from_arrays(array1)
m1

Out[2]:

MultiIndex([("xiaoming", 22),            (  "guanyu", 25),            ("zhangfei", 27)],
           )

In [3]:

type(m1)  # 查看数据类型

通过type函数来查看数据类型，发现的确是：MultiIndex

Out[3]:

pandas.core.indexes.multi.MultiIndex

在创建的同时可以指定每个层级的名字：

In [4]:

# 列表元素全是字符串
array2 = [["xiaoming","guanyu","zhangfei"],
          ["male","male","female"]
         ]
m2 = pd.MultiIndex.from_arrays(
	array2, 
  # 指定姓名和性别
  names=["name","sex"])
m2

Out[4]:

MultiIndex([("xiaoming",   "male"),            (  "guanyu",   "male"),            ("zhangfei", "female")],
           names=["name", "sex"])

下面的例子是生成3个层次的索引且指定名字：

In [5]:

array3 = [["xiaoming","guanyu","zhangfei"],
          ["male","male","female"],
          [22,25,27]
         ]
m3 = pd.MultiIndex.from_arrays(
	array3, 
	names=["姓名","性别","年龄"])
m3

Out[5]:

MultiIndex([("xiaoming",   "male", 22),            (  "guanyu",   "male", 25),            ("zhangfei", "female", 27)],
           names=["姓名", "性别", "年龄"])

pd.MultiIndex.from_tuples()

通过元组的形式来生成多层索引：

In [6]:

# 元组的形式
array4 = (("xiaoming","guanyu","zhangfei"), 
          (22,25,27)
         )
m4 = pd.MultiIndex.from_arrays(array4)
m4

Out[6]:

MultiIndex([("xiaoming", 22),            (  "guanyu", 25),            ("zhangfei", 27)],
           )

In [7]:

# 元组构成的3层索引
array5 = (("xiaoming","guanyu","zhangfei"),
          ("male","male","female"),
          (22,25,27))
m5 = pd.MultiIndex.from_arrays(array5)
m5

Out[7]:

MultiIndex([("xiaoming",   "male", 22),            (  "guanyu",   "male", 25),            ("zhangfei", "female", 27)],
           )

列表和元组是可以混合使用的

最外层是列表
里面全部是元组

In [8]:

array6 = [("xiaoming","guanyu","zhangfei"),
          ("male","male","female"),
          (18,35,27)
         ]
# 指定名字
m6 = pd.MultiIndex.from_arrays(array6,names=["姓名","性别","年龄"])
m6

Out[8]:

MultiIndex([("xiaoming",   "male", 18),            (  "guanyu",   "male", 35),            ("zhangfei", "female", 27)],
           names=["姓名", "性别", "年龄"] # 指定名字
           )

pd.MultiIndex.from_product()

使用可迭代对象的列表作为参数，根据多个可迭代对象元素的笛卡尔积（元素间的两两组合）进行创建索引。

在Python中，我们使用 isinstance()函数判断python对象是否可迭代：

# 导入 collections 模块的 Iterable 对比对象
from collections import Iterable

通过上面的例子我们总结：常见的字符串、列表、集合、元组、字典都是可迭代对象

下面举例子来说明：

In [18]:

names = ["xiaoming","guanyu","zhangfei"]
numbers = [22,25]
m7 = pd.MultiIndex.from_product(
    [names, numbers], 
    names=["name","number"]) # 指定名字
m7

Out[18]:

MultiIndex([("xiaoming", 22),            ("xiaoming", 25),            (  "guanyu", 22),            (  "guanyu", 25),            ("zhangfei", 22),            ("zhangfei", 25)],
           names=["name", "number"])

In [19]:

# 需要展开成列表形式
strings = list("abc") 
lists = [1,2]
m8 = pd.MultiIndex.from_product(
	[strings, lists],
	names=["alpha","number"])
m8

Out[19]:

MultiIndex([("a", 1),            ("a", 2),            ("b", 1),            ("b", 2),            ("c", 1),            ("c", 2)],
           names=["alpha", "number"])

In [20]:

# 使用元组形式
strings = ("a","b","c") 
lists = [1,2]
m9 = pd.MultiIndex.from_product(
	[strings, lists],
	names=["alpha","number"])
m9

Out[20]:

MultiIndex([("a", 1),            ("a", 2),            ("b", 1),            ("b", 2),            ("c", 1),            ("c", 2)],
           names=["alpha", "number"])

In [21]:

# 使用range函数
strings = ("a","b","c")  # 3个元素
lists = range(3)  # 0,1,2  3个元素
m10 = pd.MultiIndex.from_product(
	[strings, lists],
	names=["alpha","number"])
m10

Out[21]:

MultiIndex([("a", 0),            ("a", 1),            ("a", 2),            ("b", 0),            ("b", 1),            ("b", 2),            ("c", 0),            ("c", 1),            ("c", 2)],
           names=["alpha", "number"])

In [22]:

# 使用range函数
strings = ("a","b","c") 
list1 = range(3)  # 0,1,2
list2 = ["x","y"]
m11 = pd.MultiIndex.from_product(
	[strings, list1, list2],
  names=["name","l1","l2"]
  )
m11  # 总个数 3*3*2=18

总个数是``332=18`个：

Out[22]:

MultiIndex([("a", 0, "x"),            ("a", 0, "y"),            ("a", 1, "x"),            ("a", 1, "y"),            ("a", 2, "x"),            ("a", 2, "y"),            ("b", 0, "x"),            ("b", 0, "y"),            ("b", 1, "x"),            ("b", 1, "y"),            ("b", 2, "x"),            ("b", 2, "y"),            ("c", 0, "x"),            ("c", 0, "y"),            ("c", 1, "x"),            ("c", 1, "y"),            ("c", 2, "x"),            ("c", 2, "y")],
           names=["name", "l1", "l2"])

pd.MultiIndex.from_frame()

通过现有的DataFrame直接来生成多层索引：

df = pd.DataFrame({"name":["xiaoming","guanyu","zhaoyun"],
                  "age":[23,39,34],
                  "sex":["male","male","female"]})
df

直接生成了多层索引，名字就是现有数据框的列字段：

In [24]:

pd.MultiIndex.from_frame(df)

Out[24]:

MultiIndex([("xiaoming", 23,   "male"),            (  "guanyu", 39,   "male"),            ( "zhaoyun", 34, "female")],
           names=["name", "age", "sex"])

通过names参数来指定名字：

In [25]:

# 可以自定义名字
pd.MultiIndex.from_frame(df,names=["col1","col2","col3"])

Out[25]:

MultiIndex([("xiaoming", 23,   "male"),            (  "guanyu", 39,   "male"),            ( "zhaoyun", 34, "female")],
           names=["col1", "col2", "col3"])

groupby()

通过groupby函数的分组功能计算得到：

In [26]:

df1 = pd.DataFrame({"col1":list("ababbc"),
                   "col2":list("xxyyzz"),
                   "number1":range(90,96),
                   "number2":range(100,106)})
df1

Out[26]:

df2 = df1.groupby(["col1","col2"]).agg({"number1":sum,
                                        "number2":np.mean})
df2

查看数据的索引：

In [28]:

df2.index

Out[28]:

MultiIndex([("a", "x"),            ("a", "y"),            ("b", "x"),            ("b", "y"),            ("b", "z"),            ("c", "z")],
           names=["col1", "col2"])

pivot_table()

通过数据透视功能得到:

In [29]:

df3 = df1.pivot_table(values=["col1","col2"],index=["col1","col2"])
df3

In [30]:

df3.index

Out[30]:

MultiIndex([("a", "x"),            ("a", "y"),            ("b", "x"),            ("b", "y"),            ("b", "z"),            ("c", "z")],
           names=["col1", "col2"])

以上就是python pandas创建多层索引MultiIndex的6种方式的详细内容，更多关于python pandas多层索引MultiIndex的资料请关注编程笔记其它相关文章！

推荐阅读

int
为何 TypeScript 如此流行而 Python 类型注解却鲜少使用？

本文探讨了Python类型注解使用率低下的原因，主要归结于历史背景和投资回报率（ROI）的考量。文章不仅分析了类型注解的实际效用，还回顾了Python类型注解的发展历程。 ... [详细]

蜡笔小新 2024-11-22 14:02:28
usb
Redis 数据类型及其应用场景

本文详细介绍了 Redis 中的主要数据类型，包括 String、Hash、List、Set、ZSet、Geo 和 HyperLogLog，并提供了每种类型的基本操作命令和应用场景。 ... [详细]

蜡笔小新 2024-11-22 15:36:30
import
Android 中的布局方式之线性布局

nsitionalENhttp:www.w3.orgTRxhtml1DTDxhtml1-transitional.dtd ... [详细]

蜡笔小新 2024-11-22 11:20:34
process
Zabbix自定义监控与邮件告警配置实践

本文详细介绍了如何在Zabbix中添加自定义监控项目，配置邮件告警功能，并解决测试告警时遇到的邮件不发送问题。 ... [详细]

蜡笔小新 2024-11-22 08:33:19
io
Python中的基本数据类型详解

本文详细介绍了Python中常见的六种基本数据类型，分为不可变类型与可变类型两大类，并对每种类型的特性进行了说明。同时，文中还涵盖了Python中的基本运算符使用方法及一些重要注意事项。 ... [详细]

蜡笔小新 2024-11-21 19:12:07
import
使用TabActivity实现Android顶部选项卡功能

本文介绍如何通过继承TabActivity来创建Android应用中的顶部选项卡。通过简单的步骤，您可以轻松地添加多个选项卡，并实现基本的界面切换功能。 ... [详细]

蜡笔小新 2024-11-21 17:47:42
config
如何使用 org.apache.tinkerpop.gremlin.structure.VertexProperty 的 key 方法

本文详细介绍了 `org.apache.tinkerpop.gremlin.structure.VertexProperty` 类中的 `key()` 方法，并提供了多个实际应用的代码示例。通过这些示例，读者可以更好地理解该方法在图数据库操作中的具体用途。 ... [详细]

蜡笔小新 2024-11-21 17:38:10
int
JUnit下的测试和suite

nsitionalENhttp:www.w3.orgTRxhtml1DTDxhtml1-transitional.dtd ... [详细]

蜡笔小新 2024-11-21 16:03:49
range
OBS Studio自动化实践：利用脚本批量生成录制场景

本文探讨了如何利用OBS Studio进行高效录屏，并通过脚本实现场景的自动生成。适合对自动化办公感兴趣的读者。 ... [详细]

蜡笔小新 2024-11-21 10:44:53
process
Web动态服务器Python基本实现

Web动态服务器Python基本实现 ... [详细]

蜡笔小新 2024-11-21 08:01:30
range
Markdown 编辑技巧详解

本文介绍如何使用 Typora 编辑器高效编写 Markdown 文档，包括代码块的插入方法等实用技巧。Typora 官方网站：https://www.typora.io/ 学习资源：https://www.markdown.xyz/ ... [详细]

蜡笔小新 2024-11-20 23:42:54
int
使用Service Locator模式实现高效的服务命名访问

本文探讨了如何通过Service Locator模式来简化和优化在B/S架构中的服务命名访问，特别是对于需要频繁访问的服务，如JNDI和XMLNS。该模式通过缓存机制减少了重复查找的成本，并提供了对多种服务的统一访问接口。 ... [详细]

蜡笔小新 2024-11-20 19:26:30
process
深入解析SpringMVC中的HandlerMapping机制

本文将从基础概念入手，详细探讨SpringMVC框架中DispatcherServlet如何通过HandlerMapping进行请求分发，以及其背后的源码实现细节。 ... [详细]

蜡笔小新 2024-11-20 19:24:42
config
Vue3中如何提高开发效率

小编给大家分享一下Vue3中如何提高开发效率，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获， ... [详细]

蜡笔小新 2024-11-20 15:33:07
int
配置 Apache 虚拟主机详解

本文详细介绍如何在 Apache 中设置虚拟主机，包括基本配置和高级设置，帮助用户更好地理解和使用虚拟主机功能。 ... [详细]

蜡笔小新 2024-11-22 15:04:59