作者 | 东哥起飞
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。
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:
>>> pd.read_csv("data.csv", parse_dates=["date"])
date temperature humidity
02021-07-019550
12021-07-029455
22021-07-039456
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。
>>> pd.read_csv("data.csv", parse_dates=["date"], index_col="date")
temperature humidity
date
2021-07-019550
2021-07-029455
2021-07-039456
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。
>>> df = pd.read_csv("data.csv", parse_dates=["date"])>>> df.set_index("date")
temperature humidity
date
2021-07-019550
2021-07-029455
2021-07-039456
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。
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。
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。
>>> df0 = pd.DataFrame(np.random.rand(5, 3), columns=list("ABC"))>>> df0
A B C
00.5480120.2885830.734276
10.3428950.2079170.995485
20.3787940.1609130.971951
30.0397380.0084140.226510
40.5810930.7503310.133022
>>> df1 = df0[df0.index % 2 == 0]>>> df1
A B C
00.5480120.2885830.734276
20.3787940.1609130.971951
40.5810930.7503310.133022
>>> df1.reset_index(drop=True)
A B C
00.5480120.2885830.734276
10.3787940.1609130.971951
20.5810930.7503310.133022
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。
>>> df0["team"] = ["X", "X", "Y", "Y", "Y"]>>> df0
A B C team
00.5480120.2885830.734276 X10.3428950.2079170.995485 X20.3787940.1609130.971951 Y30.0397380.0084140.226510 Y40.5810930.7503310.133022 Y>>> df0.groupby("team").mean()
A B C
team
X 0.4454530.2482500.864881Y 0.3332080.3065530.443828
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。
>>> df0.groupby("team").mean().reset_index()
team A B C
0 X 0.4454530.2482500.864881
1 Y 0.3332080.3065530.443828
>>> df0.groupby("team", as_index=False).mean()
team A B C
0 X 0.4454530.2482500.864881
1 Y 0.3332080.3065530.443828
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。
>>> df0.sort_values("A")
A B C team
30.0397380.0084140.226510 Y10.3428950.2079170.995485 X20.3787940.1609130.971951 Y00.5480120.2885830.734276 X40.5810930.7503310.133022 Y>>> df0.sort_values("A", ignore_index=True)
A B C team
00.0397380.0084140.226510 Y10.3428950.2079170.995485 X20.3787940.1609130.971951 Y30.5480120.2885830.734276 X40.5810930.7503310.133022 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。
>>> df0
A B C team
00.5480120.2885830.734276 X10.3428950.2079170.995485 X20.3787940.1609130.971951 Y30.0397380.0084140.226510 Y40.5810930.7503310.133022 Y>>> df0.drop_duplicates("team", ignore_index=True)
A B C team
00.5480120.2885830.734276 X10.3787940.1609130.971951 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。
>>> better_index = ["X1", "X2", "Y1", "Y2", "Y3"]>>> df0.index = better_index>>> df0
A B C team
X1 0.5480120.2885830.734276 XX2 0.3428950.2079170.995485 XY1 0.3787940.1609130.971951 YY2 0.0397380.0084140.226510 YY3 0.5810930.7503310.133022 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。
>>> 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。
4000520066 欢迎批评指正
All Rights Reserved 新浪公司 版权所有