Hello,大家好，我是陈程~
明天我来分享对于8 个罕用pandas的 index设置
1. 将索引从 groupby 操作转换为列
groupby分组办法是常常用的。比方上面通过增加一个分组列team来进行分组。
>>> df0["team"] = ["X", "X", "Y", "Y", "Y"]>>> df0 A B C team0 0.548012 0.288583 0.734276 X1 0.342895 0.207917 0.995485 X2 0.378794 0.160913 0.971951 Y3 0.039738 0.008414 0.226510 Y4 0.581093 0.750331 0.133022 Y>>> df0.groupby("team").mean() A B Cteam X 0.445453 0.248250 0.864881Y 0.333208 0.306553 0.443828默认状况下，分组会将分组列编程index索引。然而很多状况下，咱们不心愿分组列变成索引，因为可能有些计算或者判断逻辑还是须要用到该列的。因而，咱们须要设置一下让分组列不成为索引，同时也能实现分组的性能。
有两种办法能够实现所需的操作，第一种是用reset_index，第二种是在groupby办法里设置as_index=False。集体更喜爱第二种办法，它只波及两个步骤，更简洁。
>>> df0.groupby("team").mean().reset_index() team A B C0 X 0.445453 0.248250 0.8648811 Y 0.333208 0.306553 0.443828>>> df0.groupby("team", as_index=False).mean() team A B C0 X 0.445453 0.248250 0.8648811 Y 0.333208 0.306553 0.4438282. 应用现有的 DataFrame 设置索引
当然，如果曾经读取数据或做完一些数据处理步骤后，咱们能够通过set_index手动设置索引。
>>> df = pd.read_csv("data.csv", parse_dates=["date"])>>> df.set_index("date") temperature humiditydate 2021-07-01 95 502021-07-02 94 552021-07-03 94 56这里有两点须要留神下。
set_index办法默认将创立一个新的 DataFrame。如果要就地更改df的索引，须要设置inplace=True。
df.set_index(“date”, inplace=True)- 如果要保留将要被设置为索引的列，能够设置
drop=False。
df.set_index(“date”, drop=False)3. 一些操作后重置索引
在解决 DataFrame 时，某些操作（例如删除行、索引抉择等）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。如要从新生成间断索引，能够应用reset_index办法。
>>> df0 = pd.DataFrame(np.random.rand(5, 3), columns=list("ABC"))>>> df0 A B C0 0.548012 0.288583 0.7342761 0.342895 0.207917 0.9954852 0.378794 0.160913 0.9719513 0.039738 0.008414 0.2265104 0.581093 0.750331 0.133022>>> df1 = df0[df0.index % 2 == 0]>>> df1 A B C0 0.548012 0.288583 0.7342762 0.378794 0.160913 0.9719514 0.581093 0.750331 0.133022>>> df1.reset_index(drop=True) A B C0 0.548012 0.288583 0.7342761 0.378794 0.160913 0.9719512 0.581093 0.750331 0.133022通常，咱们是不须要保留旧索引的，因而可将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，否则将创立一个新的 DataFrame。
4.排序后重置索引
当用sort_value排序办法时也会遇到这个问题，因为默认状况下，索引index跟着排序程序而变动，所以是乱雪。如果咱们心愿索引不跟着排序变动，同样须要在sort_values办法中设置一下参数ignore_index即可。
>>> df0.sort_values("A") A B C team3 0.039738 0.008414 0.226510 Y1 0.342895 0.207917 0.995485 X2 0.378794 0.160913 0.971951 Y0 0.548012 0.288583 0.734276 X4 0.581093 0.750331 0.133022 Y>>> df0.sort_values("A", ignore_index=True) A B C team0 0.039738 0.008414 0.226510 Y1 0.342895 0.207917 0.995485 X2 0.378794 0.160913 0.971951 Y3 0.548012 0.288583 0.734276 X4 0.581093 0.750331 0.133022 Y5.删除反复后重置索引
删除反复项和排序一样，默认执行后也会打乱排序程序。同理，能够在drop_duplicates办法中设置ignore_index参数True即可。
>>> df0 A B C team0 0.548012 0.288583 0.734276 X1 0.342895 0.207917 0.995485 X2 0.378794 0.160913 0.971951 Y3 0.039738 0.008414 0.226510 Y4 0.581093 0.750331 0.133022 Y>>> df0.drop_duplicates("team", ignore_index=True) A B C team0 0.548012 0.288583 0.734276 X1 0.378794 0.160913 0.971951 Y6. 索引的间接赋值
当咱们有了一个 DataFrame 时，想要应用不同的数据源或独自的操作来调配索引。在这种状况下，能够间接将索引调配给现有的 df.index。
>>> better_index = ["X1", "X2", "Y1", "Y2", "Y3"]>>> df0.index = better_index>>> df0 A B C teamX1 0.548012 0.288583 0.734276 XX2 0.342895 0.207917 0.995485 XY1 0.378794 0.160913 0.971951 YY2 0.039738 0.008414 0.226510 YY3 0.581093 0.750331 0.133022 Y7.写入CSV文件时疏忽索引
数据导出到 CSV 文件时，默认 DataFrame 具备从 0 开始的索引。如果咱们不想在导出的 CSV 文件中蕴含它，能够在to_csv办法中设置index参数。
>>> df0.to_csv("exported_file.csv", index=False)如下所示，导出的 CSV 文件中，索引列未蕴含在文件中。
其实，很多办法中都有对于索引的设置，只不过大家个别比较关心数据，而常常疏忽了索引，才导致持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，倡议大家平时用的时候养成设置索引的习惯，这样会节俭不少工夫。
8.读取时指定索引列
很多状况下，咱们的数据源是 CSV 文件。假如有一个名为的文件data.csv，蕴含以下数据。
date,temperature,humidity07/01/21,95,5007/02/21,94,5507/03/21,94,56默认状况下，pandas将会创立一个从0开始的索引行，如下：
>>> pd.read_csv("data.csv", parse_dates=["date"]) date temperature humidity0 2021-07-01 95 501 2021-07-02 94 552 2021-07-03 94 56然而，咱们能够在导入过程中通过将index_col参数设置为某一列能够间接指定索引列。
>>> pd.read_csv("data.csv", parse_dates=["date"], index_col="date") temperature humiditydate 2021-07-01 95 502021-07-02 94 552021-07-03 94 56最初
喜爱的小伙伴能够点个赞和关注哦~感激你的反对！