---

索引對象

Index類對象，該對象不可以進行修改（不可變性），以保證數據的安全。

---

多個數據結構之間共享index類對象

基于Index類對象的不可變性，實現兩個以上數據結構共享一個索引

import pandas as pd
import numpy as npser_obj1 = pd.Series(range(3), index=['a', 'b', 'c'])
ser_obj2 = pd.Series(['a', 'b', 'c'], index=ser_obj1.index)
print(ser_obj2.index is ser_obj1.index)
print(ser_obj1)
print(ser_obj2)

輸出結果：

Truea    0
b    1
c    2
dtype: int64a    a
b    b
c    c
dtype: object

---

is與==的區別

is比較的是兩個對象的地址值，也就是說兩個對象是否為同一個實例對象；而==比較的是對象的值是否相等。

---

重置索引——reindex()

該方法的作用時對原索引和新索引進行匹配，新索引含有原索引的數據，而原索引數據按照新索引排序。

語法格式：

DataFrame.reindex(labels = None, index = None, columns = None, axis = None, method = None,
copy = None, level = None, fill_value = nan, limit = None, tolerance = None)

上述方法的部分參數含義如下：

index：用作索引的新序列

method：插值填充方式

fill_value：引入缺失值時使用的替代值

limit：前向或者后向填充時的最大填充量

如果新索引中沒有原索引的數據，那么將新添加的索引的值填充為NaN。

ser_obj5 = pd.Series(range(1, 6, 1), index=['c', 'd', 'a', 'b', 'e'])
print("ser_obj5", ser_obj5)
ser_obj6 = ser_obj5.reindex(['a', 'b', 'c', 'd', 'e', 'f'])
print("ser_obj6", ser_obj6)

輸出結果：

ser_obj5 
c    1
d    2
a    3
b    4
e    5
dtype: int64ser_obj6 
a    3.0
b    4.0
c    1.0
d    2.0
e    5.0
f    NaN
dtype: float64

---

如果不想填充為NaN，則可使用fill_value參數來指定缺失值。

ser_obj7 = ser_obj5.reindex(['a', 'b', 'c', 'd', 'e', 'f'], fill_value=6)
print("ser_obj7", ser_obj7)

輸出結果：

ser_obj7 
a    3
b    4
c    1
d    2
e    5
f    6
dtype: int64

---

fill_value參數會讓所有的缺失值都填充為同一個值。

如果期望使用相鄰的元素值（上或下一個元素的值）進行填充，則可使用method參數。

參數	說明
ffill 或 pad	前向填充值
bfill 或 backfill	后向填充值
nearest	從最近的索引值填充（先后再前）

ser_obj3 = pd.Series([1, 3, 5, 7], index=[0, 2, 3, 6])
print("ser_obj3", ser_obj3)
ser_obj4 = ser_obj3.reindex(range(7), method="nearest")
print("ser_obj4", ser_obj4)

輸出結果：

ser_obj3 
0    1
2    3
3    5
6    7
dtype: int64ser_obj4 
0    1
1    3
2    3
3    5
4    5
5    7
6    7
dtype: int64

---

索引操作

Series的索引操作

兩種索引方式：

print("ser_obj1[2]:", ser_obj1[2])  # 使用索引位置獲得數據
print("ser_obj1['c']:", ser_obj1['c'])  # 使用索引名稱獲取數據

---

ser_obj1

a 0
b 1
c 2
dtype: int64

---

輸出結果：

ser_obj1[2]: 2
ser_obj1['c']: 2

---

切片

位置索引進行切片，切片結果包含起始位置不包括結束位置（前閉后開）

索引名稱進行切片，切片結果包含起始位置包括結束位置（前閉后閉）

print("ser_obj5[2:4]:\n", ser_obj5[2:4])  # 使用位置索引進行切片
print("ser_obj7['b':'d']:\n", ser_obj7['b':'d'])  # 使用索引名稱進行切片

ser_obj5

c 1
d 2
a 3
b 4
e 5
dtype: int64

ser_obj7

a 3
b 4
c 1
d 2
e 5
f 6
dtype: int64

輸出結果：

ser_obj5[2:4]:a    3
b    4
dtype: int64ser_obj7['b':'d']:b    4
c    1
d    2
dtype: int64

---

不連續索引

print("ser_obj5[[0, 2, 4]]:\n", ser_obj5[[0, 2, 4]])  # 通過不連續位置索引獲取數據集
print("ser_obj7[['a', 'c', 'e']]:\n", ser_obj7[['a', 'c', 'e']])  # 通過不連續索引名稱獲取數據集

輸出結果：

ser_obj5[[0, 2, 4]]:c    1
a    3
e    5
dtype: int64
ser_obj7[['a', 'c', 'e']]:a    3
c    1
e    5
dtype: int64

---

布爾型索引

將布爾型的數組索引作為模板篩選數據，返回與模板中True位置對應的元素

ser_bool = ser_obj7 > 2  # 創建布爾型Series對象
print("ser_bool:\n", ser_bool)
print("ser_obj7[ser_bool]:\n", ser_obj7[ser_bool])  # 獲取結果為True的數據

輸出結果：

ser_bool:a     True
b     True
c    False
d    False
e     True
f     True
dtype: boolser_obj7[ser_bool]:a    3
b    4
e    5
f    6
dtype: int64

---

DataFrame的索引操作

DataFrame中每列的數據都是一個Series對象，可以使用列索引獲取

arr1 = np.arange(12).reshape(3, 4)
df_obj1 = pd.DataFrame(arr1, columns=['a', 'b', 'c', 'd'])
# 創建DataFrame對象，并為其指定列索引
print("df_obj1:\n", df_obj1)
print("df_obj1['b']:\n", df_obj1['b'])  # 獲取b列的數據

輸出結果：

df_obj1:a  b   c   d
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11df_obj1['b']:0    1
1    5
2    9
Name: b, dtype: int32

---

獲取不連續的Series對象

print("df_obj1[['b', 'd']]:\n", df_obj1[['b', 'd']])

輸出結果：

df_obj1[['b', 'd']]:b   d
0  1   3
1  5   7
2  9  11

---

切片

print("df_obj1[:2]:\n", df_obj1[:2])  # 使用切片獲取第0~1行的數據
print("df_obj1[:3][['b', 'd']]:\n", df_obj1[:3][['b', 'd']])
# 使用切片先通過行索引獲取0~2行的數據，再通過不連續列索引獲取b、d列的數據

輸出結果：

df_obj1[:2]:a  b  c  d
0  0  1  2  3
1  4  5  6  7df_obj1[:3][['b', 'd']]:b   d
0  1   3
1  5   7
2  9  11

---

Pandas庫中的操作索引方法

loc：基于標簽索引（索引名稱，如：a、b等），用于按標簽選取數據。當執行切片操作時，既包含起始索引，也包含結束索引。（前閉后閉）

iloc：基于位置索引（整數索引，如：0~length-1），用于按位置選取數據。當執行切片操作時，只包含起始索引，不包含結束索引。（前閉后開）

iloc方法主要使用整數來索引數據，而不能使用字符標簽來索引數據。

loc方法只能使用字符標簽來索引數據，而不能使用整數來索引數據。不過，當DataFrame對象的行索引或者列索引使用的是整數時，則其就可以使用整數來索引。

print("df_obj1.loc[:, [“d”, “b”]]:\n", df_obj1.loc[:, ["d", "b"]])
print("df_obj1.iloc[:, 3, 1]:\n", df_obj1.iloc[:, [3, 1]])

輸出結果：

df_obj1.loc[:, [“d”, “b”]]d  b
0   3  1
1   7  5
2  11  9df_obj1.iloc[:, 3, 1]:d  b
0   3  1
1   7  5
2  11  9

花式索引【數組索引】

print("df_obj1.loc[:1, [“c”, “a”]]:\n", df_obj1.loc[0:1, ["c", "a"]])
print("df_obj1.iloc[:2, [2, 0]]:\n", df_obj1.iloc[0:2, [2, 0]])

輸出結果：

df_obj1.loc[:1, [“c”, “a”]]:c  a
0  2  0
1  6  4df_obj1.iloc[:2, [2, 0]]:c  a
0  2  0
1  6  4