好习惯！pandas 8 个常用的 index 设置

 

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. date,temperature,humidity  
2. 07/01/21,95,50  
3. 07/02/21,94,55  
4. 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. >>> pd.read_csv("data.csv", parse_dates=["date"])  
2.         date  temperature  humidity  
3. 0 2021-07-01           95        50  
4. 1 2021-07-02           94        55  
5. 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. >>> pd.read_csv("data.csv", parse_dates=["date"], index_col="date")  
2.             temperature  humidity  
3. date                               
4. 2021-07-01           95        50  
5. 2021-07-02           94        55  
6. 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. >>> df = pd.read_csv("data.csv", parse_dates=["date"])  
2. >>> df.set_index("date")  
3.             temperature  humidity  
4. date                               
5. 2021-07-01           95        50  
6. 2021-07-02           94        55  
7. 2021-07-03           94        56 

这里有两点需要注意下。

 1.   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) 

 2.   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. >>> df0 = pd.DataFrame(np.random.rand(5, 3), columns=list("ABC"))  
2. >>> df0  
3.           A         B         C  
4. 0  0.548012  0.288583  0.734276  
5. 1  0.342895  0.207917  0.995485  
6. 2  0.378794  0.160913  0.971951  
7. 3  0.039738  0.008414  0.226510  
8. 4  0.581093  0.750331  0.133022  
9. >>> df1 = df0[df0.index % 2 == 0]  
10. >>> df1  
11.           A         B         C  
12. 0  0.548012  0.288583  0.734276  
13. 2  0.378794  0.160913  0.971951  
14. 4  0.581093  0.750331  0.133022  
15. >>> df1.reset_index(drop=True)  
16.           A         B         C  
17. 0  0.548012  0.288583  0.734276  
18. 1  0.378794  0.160913  0.971951  
19. 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. >>> df0["team"] = ["X", "X", "Y", "Y", "Y"]  
2. >>> df0  
3.           A         B         C team  
4. 0  0.548012  0.288583  0.734276    X  
5. 1  0.342895  0.207917  0.995485    X  
6. 2  0.378794  0.160913  0.971951    Y  
7. 3  0.039738  0.008414  0.226510    Y  
8. 4  0.581093  0.750331  0.133022    Y  
9. >>> df0.groupby("team").mean()  
10.              A         B         C  
11. team                                
12. X     0.445453  0.248250  0.864881  
13. 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. >>> df0.groupby("team").mean().reset_index()  
2.   team         A         B         C  
3. 0    X  0.445453  0.248250  0.864881  
4. 1    Y  0.333208  0.306553  0.443828  
5. >>> df0.groupby("team", as_index=False).mean()  
6.   team         A         B         C  
7. 0    X  0.445453  0.248250  0.864881  
8. 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. >>> df0.sort_values("A")  
2.           A         B         C team  
3. 3  0.039738  0.008414  0.226510    Y  
4. 1  0.342895  0.207917  0.995485    X  
5. 2  0.378794  0.160913  0.971951    Y  
6. 0  0.548012  0.288583  0.734276    X  
7. 4  0.581093  0.750331  0.133022    Y  
8. >>> df0.sort_values("A", ignore_index=True)  
9.           A         B         C team  
10. 0  0.039738  0.008414  0.226510    Y  
11. 1  0.342895  0.207917  0.995485    X  
12. 2  0.378794  0.160913  0.971951    Y  
13. 3  0.548012  0.288583  0.734276    X  
14. 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. >>> df0  
2.           A         B         C team  
3. 0  0.548012  0.288583  0.734276    X  
4. 1  0.342895  0.207917  0.995485    X  
5. 2  0.378794  0.160913  0.971951    Y  
6. 3  0.039738  0.008414  0.226510    Y  
7. 4  0.581093  0.750331  0.133022    Y  
8. >>> df0.drop_duplicates("team", ignore_index=True)  
9.           A         B         C team  
10. 0  0.548012  0.288583  0.734276    X  
11. 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. >>> better_index = ["X1", "X2", "Y1", "Y2", "Y3"]  
2. >>> df0.index = better_index  
3. >>> df0  
4.            A         B         C team  
5. X1  0.548012  0.288583  0.734276    X  
6. X2  0.342895  0.207917  0.995485    X  
7. Y1  0.378794  0.160913  0.971951    Y  
8. Y2  0.039738  0.008414  0.226510    Y  
9. 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。

原文地址:https://mp.weixin.qq.com/s/n7n9mrkLL9LjPXOFDrwprg