Pandas 中用於多級或分層數據的 MultiIndex

Pandas 中的 MultiIndex 是一個多級或分層對象，允許您在索引中選擇多個行和列。它還使您能夠創建複雜的數據分析和操作，尤其是在處理高維數據時。在本教程中，我將探索 Pandas 的 MultiIndex 功能。您可以在本博客底部觀看本教程的完整視頻。

這裡的想法是我們有一個也包含層次結構的索引。如果您以前使用過 Pandas，您就會知道Pandas 的數據框包含一個索引，因此我們將為其添加額外的層。這將使索引和重塑數據變得更容易，具體取決於您是否確實有數據層次結構。

例如，我們將使用著名的 Gapminder 數據集，這裡確實是一個 MultiIndex。我們有層級，所以一個大陸鑽到國家，每個國家可以鑽到多年。所以，我們可以操縱這個索引，當我們使用這個 MultiIndex 時，事情會變得更容易編碼。我們將研究切片並重塑 Gapminder 數據集。

目錄

• 如何在 Pandas 中使用 MultiIndex
• 結論

如何在 Pandas 中使用 MultiIndex

我們將使用 Gapminder 數據集。如果你沒有安裝這個，你想做一個 PIP 安裝 Gapminder。我也打算引入 Pandas。我正在使用 Python 的 Anaconda 發行版。在這種情況下，Pandas 將已經安裝。我們做一個 import Gapminder，然後我們會看看這個數據。

正如您在這裡看到的，我們又一次有了索引或層次結構。我應該說我們有一個大陸，一個國家，然後是一年。目前，索引只是像這樣的數字，我們現在要設置我們自己的索引。我們要做的就是使用 Gapminder。我們要設置索引。我們將在大陸、國家和年份上設置它，就地等於 ( = ) true。

這只是保存結果，所以我們不用兩次調用變量，只是效率高一點。現在，您會看到這裡有索引（內容、國家/地區、年份），這是我們的多索引。

我們可以在這裡做幾件事。比方說，我想要歐洲大陸的一切。我想過濾或切片這個數據框。我可以使用gapminder.loc，然後輸入歐洲。您可能熟悉 loc。從 Pandas 的其他情況來看，當我們通過索引進行操作時，它會更容易工作。

現在這存在於層次結構中。比方說，我們只想要來自英國的數據。看起來我們可以只對它進行切片，但這將是一個問題，因為當我們索引它時，我們只能使用層次結構。我們需要從第一層開始，然後鑽到第二層、第三層等等。

如果我想包括多個級別，我能做的就是在這里傳遞它。我要去歐洲，然後是英國。我什至可以更進一步，輸入 1997。現���，我們可以看到在這種情況下該行的結果。

Pandas 中 MultiIndex 的另一個好處是重塑數據要容易得多。我可以做gapminder_pivot然後gapminder.unstack。如果出於某種原因我需要重塑這個數據集，我將打印它，你會看到現在我們有了大陸、國家和年份以及這些列。

現在，假設我想在相反的方向上這樣做。我需要做的就是 unpivot 並且我們要做gapminder_pivot。如果那是取消堆疊，那麼這就是堆疊 gapminder_unpivot。

現在，如果我想擺脫這個索引並重置它並將其更改為其他內容怎麼辦？在這種情況下，我需要做的就是 gapminder_unpivot。我們要重置索引。我們將再次使它就位。我們不必自救。只是效率高了一點。然後，gapminder_unpivot。

打印出來，我們就回到了原始數據，我們有了索引。數字從零開始，因為 Python 是基於零的索引。

LuckyTemplates 中的 Python：如何在 LuckyTemplates 數據報告中安裝和設置Python 腳本
LuckyTemplates With Python Scripting To Create Date Tables

結論

Pandas 最初是以面板數據命名的。它實際上是為了處理面板數據，面板數據是一種具有多個類別的特定類型的時間序列數據。在那種情況下，擁有層次結構真的很有意義，對吧？

如果您正在處理唯一行並嘗試查找多列，這將非常有效。

就性能而言，如果您要合併，索引可能不是必需的，但我們沒有在這里合並。我們只是操作，訪問，索引，重塑等。但是，編碼效率絕對是一個很大的好處。

這就是 Pandas 中 MultiIndex 的所有內容。我希望這是你可以使用的東西。你今天學到了一些關於 Pandas 的新知識。

一切順利！