其他
Pandas 多层级索引的数据分析案例,超干货!
The following article is from 关于数据分析与可视化 Author 俊欣
作者 | 俊欣
来源 | 关于数据分析与可视化
导入数据
## 导入数据集
df = pd.read_csv('dataset.csv')
df.head()
City
、Date
,这里的City
我们可以当作是第一层级索引,而Date
则是第二层级索引。sort_index()
方法来按照数据集的行索引来进行排序,代码如下df_1
reset_index()
方法,代码如下第一层级的数据筛选
pandas
当中数据筛选的方法,一般我们是调用loc
以及iloc
方法,同样地,在多层级索引的数据集当中数据的筛选也是调用该两种方法,例如筛选出伦敦白天的天气状况如何,代码如下多层级索引的数据筛选
Wind SW 16 mph
Max Temperature 28
Name: 2019-07-01, dtype: object
df.loc['London', 'Day']
,然后再此的基础之上再进行loc['2019-07-01']
操作,当然还有更加方便的步骤,代码如下Wind SW 16 mph
Max Temperature 28
Name: 2019-07-01, dtype: object
('London' , ['2019-07-01','2019-07-02'] ) ,
'Day'
]
'London' ,
('Day', ['Weather', 'Wind'])
]
按照范围来筛选数据
loc
方法来实现'Cambridge':'Oxford',
'Day'
]
('London', '2019-07-01': '2019-07-03'),
'Day'
]
('London','2019-07-01'):('London','2019-07-03'),
'Day'
]
筛选出所有全部的内容
df.loc[
('London', :),
'Day'
]
# 出现语法错误
df.loc[
(: , '2019-07-04'),
'Day'
]
df.loc[
('London', slice(None)),
'Day'
]
df.loc[
(slice(None) , '2019-07-04'),
'Day'
]
df.loc[
idx[: , '2019-07-04'],
'Day'
]
cols = idx['Day' , ['Max Temperature','Weather']]
df.loc[rows, cols]
xs()方法的调用
level
参数上指定是哪个标签,例如我们想要筛选出伦敦2019年7月4日全天的天气情况,代码如下xs
方法可以和上面提到的IndexSlice
函数联用,针对多层级的数据集来进行数据的筛选,例如我们想要筛选出2019年7月2日至7月4日,伦敦全天的天气状况,代码如下idx['2019-07-02':'2019-07-04'],
'London'
)
df.xs(
rows ,
level = ['Date','City']
)
技术技术
分享
点收藏
点点赞
点在看