Pandas索引的基本属性
对10种单层索引的常用操作,文末有汇总的常见属性,建议收藏!
10种索引
快速回顾Pandas中10种单层索引的创建:
pd.Index
In [1]:
1 | import pandas as pd |
In [2]:
1 | # 指定类型和名称 |
Out[2]:
1 | Int64Index([1, 2, 3, 4, 5, 6, 7], dtype='int64', name='Peter') |
pd.RangeIndex
指定整数范围内的不可变索引
In [3]:
1 | s2 = pd.RangeIndex(0,20,2) |
Out[3]:
1 | RangeIndex(start=0, stop=20, step=2) |
pd.Int64Index
64位整数型索引
In [4]:
1 | s3 = pd.Int64Index([1,2,3,4,5,6,7,8],name="Peter") |
Out[4]:
1 | Int64Index([1, 2, 3, 4, 5, 6, 7, 8], dtype='int64', name='Peter') |
pd.UInt64Index
无符号整数索引
In [5]:
1 | s4 = pd.UInt64Index([1, 2.0, 3, 4],name="Tom") |
Out[5]:
1 | UInt64Index([1, 2, 3, 4], dtype='uint64', name='Tom') |
pd.Float64Index
64位浮点型的索引
In [6]:
1 | s5 = pd.Float64Index([1.5, 2.4, 3.7, 4.9],name="peter") |
Out[6]:
1 | Float64Index([1.5, 2.4, 3.7, 4.9], dtype='float64', name='peter') |
pd.IntervalIndex
新的间隔索引 IntervalIndex 通常使用 interval_range()函数来进行构造,它使用的是数据或者数值区间,基本用法:
In [7]:
1 | s6 = pd.interval_range(start=0, end=6, closed="left") |
Out[7]:
1 | IntervalIndex([[0, 1), [1, 2), [2, 3), [3, 4), [4, 5), [5, 6)], |
pd.CategoricalIndex
In [8]:
1 | s7 = pd.CategoricalIndex( |
Out[8]:
1 | CategoricalIndex(['S', 'M', 'L', 'XS', 'M', 'L', 'S', 'M', 'L', 'XL'], categories=['XS', 'S', 'M', 'L', 'XL'], ordered=True, name='category', dtype='category') |
pd.DatetimeIndex
以时间和日期作为索引,通过date_range函数来生成,具体例子为:
In [9]:
1 | # 日期作为索引,D代表天 |
Out[9]:
1 | DatetimeIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04', |
pd.PeriodIndex
pd.PeriodIndex是一个专门针对周期性数据的索引,方便针对具有一定周期的数据进行处理,具体用法如下:
In [10]:
1 | s9 = pd.PeriodIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04'], freq = '2H') |
Out[10]:
1 | PeriodIndex(['2022-01-01 00:00', '2022-01-02 00:00', '2022-01-03 00:00', |
pd.TimedeltaIndex
In [11]:
1 | data = pd.timedelta_range(start='1 day', end='3 days', freq='6H') |
Out[11]:
1 | TimedeltaIndex(['1 days 00:00:00', '1 days 06:00:00', '1 days 12:00:00', |
In [12]:
1 | s10 = pd.TimedeltaIndex(data) |
Out[12]:
1 | TimedeltaIndex(['1 days 00:00:00', '1 days 06:00:00', '1 days 12:00:00', |
属性1:name
如果有的话,返回索引的名称
In [13]:
1 | s1.name |
Out[13]:
1 | 'Peter' |
In [14]:
1 | s4.name |
Out[14]:
1 | 'Tom' |
属性2:dtype
返回索引的数据类型
In [15]:
1 | s1.dtype |
Out[15]:
1 | dtype('int64') |
In [16]:
1 | s8.dtype |
Out[16]:
1 | dtype('<M8[ns]') |
In [17]:
1 | s10.dtype |
Out[17]:
1 | dtype('<m8[ns]') |
属性3:array
返回索引组成的数组:
In [18]:
1 | s1.array |
Out[18]:
1 | <PandasArray> |
In [19]:
1 | s5.array |
Out[19]:
1 | <PandasArray> |
In [20]:
1 | s8.array |
Out[20]:
1 | <DatetimeArray> |
属性4:shape
返回索引的形状:几行几列
In [21]:
1 | s1.shape |
Out[21]:
1 | (7,) |
In [22]:
1 | s4.shape |
Out[22]:
1 | (4,) |
In [23]:
1 | s8.shape |
Out[23]:
1 | (6,) |
属性5:size
返回索引的总个数:行数乘以列数
In [24]:
1 | s1.size |
Out[24]:
1 | 7 |
In [25]:
1 | s2.size |
Out[25]:
1 | 10 |
In [26]:
1 | s5.size |
Out[26]:
1 | 4 |
In [27]:
1 | s10.size |
Out[27]:
1 | 9 |
属性6:empty
返回索引是否为空
In [28]:
1 | s1.empty |
Out[28]:
1 | False |
In [29]:
1 | s4.empty |
Out[29]:
1 | False |
In [30]:
1 | s10.empty |
Out[30]:
1 | False |
属性7:ndim
返回索引的维度
In [31]:
1 | s1.ndim |
Out[31]:
1 | 1 |
In [32]:
1 | s4.ndim |
Out[32]:
1 | 1 |
属性8:T
将索引进行转置操作
In [33]:
1 | s1.T |
Out[33]:
1 | Int64Index([1, 2, 3, 4, 5, 6, 7], dtype='int64', name='Peter') |
In [34]:
1 | s3.T |
Out[34]:
1 | Int64Index([1, 2, 3, 4, 5, 6, 7, 8], dtype='int64', name='Peter') |
In [35]:
1 | s6.T |
Out[35]:
1 | IntervalIndex([[0, 1), [1, 2), [2, 3), [3, 4), [4, 5), [5, 6)], |
属性9:argmax
返回最大索引所在的位置
In [36]:
1 | s1.argmax() # 最大索引所在的位置 |
Out[36]:
1 | 6 |
In [37]:
1 | s5.argmax() |
Out[37]:
1 | 3 |
属性10:is_integer
判断索引是否为整数型
In [38]:
1 | s1.is_integer() |
Out[38]:
1 | True |
In [39]:
1 | s2.is_integer() |
Out[39]:
1 | True |
In [40]:
1 | s6.is_integer() |
Out[40]:
1 | False |
属性汇总
对Pandas的常用属性进行一下简单的汇总。需要注意的是针对行索引的属性同样适用于列属性columns,因为它们二者都是同属于Pandas中的index对象。
1 | s.values # 取值 |