开发者社区> 一个处女座的程序猿> 正文

Python之pandas:对pandas中dataframe数据中的索引输出、修改、重命名等详细攻略

简介: Python之pandas:对pandas中dataframe数据中的索引输出、修改、重命名等详细攻略
+关注继续查看

知识点学习


构造数据

查看索引

修改列索引内元素名称

# 重命名指定行索引名称, []列表的长度必须与df行数一致,可以重复

# 输出当前的索引列名称

设置单个索引列

# 指定索引列,其中drop=False 表示保留原先索引列的数据

# 设置索引列名称

# 输出当前的索引列名称

字段去重

# unique()对某列实现去重

设置复合索引:将多列设置为索引

# 输出当前的索引列名称




输出结果


image.png


RangeIndex(start=0, stop=4, step=1)

         Unnamed: 0  name  ID   age  sex

0_Rename           0   Bob   1   NaN    男

1_Rename           1  LiSa   2  28.0    女

2_Rename           2  Mary   3  38.0    女

3_Rename           3  Alan   4   NaN  NaN

None

单个索引列: Index_From_ID

              Unnamed: 0  name   age  sex

Index_From_ID                            

1                       0   Bob   NaN    男

2                       1  LiSa  28.0    女

3                       2  Mary  38.0    女

4                       3  Alan   NaN  NaN

字段去重 ['男' '女' nan]

复合索引列: None

          Unnamed: 0  ID  sex

name age                      

Bob  NaN            0   1    男

LiSa 28.0           1   2    女

Mary 38.0           2   3    女

Alan NaN            3   4  NaN





实现代码


# 1、定义数据集

contents={"name": ['Bob',        'LiSa',                     'Mary',                       'Alan'],

         "ID":   [1,              2,                            3,                            4],    # 输出 NaN

         "ID02":   [1,              2,                         ' ',                          None],    # 输出 NaN

         "age":  [np.nan,        28,                           38 ,                          '' ],   # 输出

         "age02":  [14,           26,                           24 ,                          6],

         "age03":  [14,           '26',                      '24' ,                        '6'],

       "born": [pd.NaT,     pd.Timestamp("1990-01-01"),  pd.Timestamp("1980-01-01"),        ''],     # 输出 NaT

         "sex":  ['男',          '女',                        '女',                        None,],   # 输出 None

         "hobbey":['打篮球',     '打羽毛球',                   '打乒乓球',                    '',],   # 输出

         "money":[200.0,                240.0,                   290.0,                     300.0],  # 输出

         "weight":[140.5,                120.8,                 169.4,                      155.6],  # 输出

         "test01":[1,    2.123456789,        3.123456781011126,   4.123456789109999],    # 输出

         "test02":[1,    2.123456789,        3.123456781011126,   4.123456789109999],    # 输出

         }

data_frame = pd.DataFrame(contents)

# Python之pandas:对pandas中dataframe数据中的索引输出、修改、重命名等详细攻略

# 构造数据

cols01=["name","ID","age","sex",]

nums_df_temp=data_frame.loc[:,cols01]

nums_csv_file="nums_df_temp.csv"

nums_df_temp.to_csv(nums_csv_file)

nums_df=pd.read_csv(nums_csv_file)

nums_df02=nums_df.copy()

# 查看索引

print('查看原始索引',nums_df.index)                  

# 修改列索引内元素名称

nums_df.index = ["0_Rename","1_Rename","2_Rename","3_Rename"]      # 重命名指定行索引名称, []列表的长度必须与df行数一致,可以重复

print(nums_df)

# 输出当前的索引列名称

print(nums_df.index.name)

# 设置单个索引列

nums_df=nums_df.set_index('ID',drop=True)     # 指定索引列,其中drop=False 表示保留原先索引列的数据

nums_df.index.name = 'Index_From_ID'          # 设置索引列名称

print('单个索引列:',nums_df.index.name)       # 输出当前的索引列名称

print(nums_df)

# 字段去重

print('字段去重',nums_df["sex"].unique())               # unique()对某列实现去重

# 设置复合索引:将多列设置为索引

nums_df02 = nums_df02.set_index(["name", "age"])

print('复合索引列:',nums_df02.index.name)                    # 输出当前的索引列名称

print(nums_df02)


 


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
我也来说说Entity Frame Work 4中的数据库优先和代码优先两种方式(2)
上次谈了下使用EF的“数据库优先”方式创建一个ORM, 今天来接着聊“代码优先”的方式创建一个ORM; 从字面上理解,数据库优先是先创建数据库,代码优先那就肯定是先写代码了,所以,代码优先它是先写代码的,也就是它与数据库优先恰恰相反。
739 0
ML之FE:基于单个csv文件数据集(自动切分为两个dataframe表)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于单个csv文件数据集(自动切分为两个dataframe表)利用featuretools工具实现自动特征生成/特征衍生
90 0
Python之pandas:在pandas中创建category类型数据的几种方法之详细攻略
Python之pandas:在pandas中创建category类型数据的几种方法之详细攻略
60 0
ML之FE:基于load_mock_customer数据集(模拟客户,单个DataFrame)利用featuretools工具实现自动特征生成/特征衍生
ML之FE:基于load_mock_customer数据集(模拟客户,单个DataFrame)利用featuretools工具实现自动特征生成/特征衍生
42 0
+关注
一个处女座的程序猿
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
1703
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
JS零基础入门教程(上册)
立即下载
性能优化方法论
立即下载
手把手学习日志服务SLS,云启实验室实战指南
立即下载