pandas重新设置列索引_python数据分析包Pandas（一）
pandas是一个python包，提供快速，灵活和富有表现力的数据结构，旨在使“关系”或“标记”数据的使用既简单又直观。
pandas的两个主要数据结构Series（1维）和DataFrame（2维）能处理金融，统计，社会科学和许多工程领域中的绝大多数典型用例。
梳理参考如下链接：
Package overviewpandas.pydata.org Pandas系列 - Pandas教程™www.yiibai.com一、Series对象的创建与索引
系列(Series)是能够保存任何类型的数据(整数，字符串，浮点数，Python对象等)的一维标记数组，轴标签统称为索引。
Pandas系列可以使用以下构造函数创建：
pandas.Series( data, index, dtype, copy)- data：可以使各种形式，如：ndarray、list、dictionary、constants
- index：索引值必须是唯一的，与数据的长度相同。 如果没有索引被传递，默认np.arange(n)。
- dtype：用于数据类型，如果没有，将推断数据类型。
- copy：复制数据，默认为
false。
创建一个空的系列
import pandas as pd
s = pd.Series()
print(s)输出为：
Series([], dtype: float64)从数组ndarray创建
import numpy as np
data = np.array(["a","b","c","d","e"])
s = pd.Series(data)#默认索引时
s_1 = pd.Series(data,index = [3,6,2,4,7])#设置索引参数index
print(s,"n",s_1)输出为：
0 a
1 b
2 c
3 d
4 e
dtype: object
3 a
6 b
2 c
4 d
7 e
dtype: object从字典创建一个系列
字典(dict)可以作为输入传递，如果没有指定索引，则按排序顺序取得字典键以构造索引。 如果传递了索引，索引中与标签对应的数据中的值将被拉出。
dictionary = {'one': 2, 'two': 'wangxinli', 'three': 'liyan', 'four': 'ove', 'five': 'L'}
s = pd.Series(dictionary)#为这只index，默认为字典的键值
s_1 = pd.Series(dictionary,index = ["o","p","q","r","s"])#设置的索引和字典的键值均不一样，可见输出是不存在
s_2 = pd.Series(dictionary,index = ['one', 'two', 'three', 'four', 'e'])#设置的索引和字典的键值部分一样
print(s,"n",s_1,"n",s_2)输出为：
one 2
two wangxinli
three liyan
four ove
five L
dtype: object
o NaN
p NaN
q NaN
r NaN
s NaN
dtype: object
one 2
two wangxinli
three liyan
four ove
e NaN
dtype: object从系列中访问数据
1、系列中的数据可以使用类似于访问ndarray中的数据来访问
dictionary = {'one': 2, 'two': 'wangxinli', 'three': 'liyan', 'four': 'ove', 'five': 'L'}
s = pd.Series(dictionary)#未设置index，默认为字典的键值
print(s[1])#输出第二行的值
print(s[1:3])#输出第二到第三行的值
print(s[:2])#输出第一到第二行的值
print(s[2:])#输出第三到第五行的值
print(s[::-1])#反向输出
print(s[0:-2])#输出第一到倒数第三个的值输出为：
wangxinli
two wangxinli
three liyan
dtype: object
one 2
two wangxinli
dtype: object
three liyan
four ove
five L
dtype: object
five L
four ove
three liyan
two wangxinli
one 2
dtype: object
one 2
two wangxinli
three liyan
dtype: object2、使用标签检索数据
dictionary = {'one': 2, 'two': 'wangxinli', 'three': 'liyan', 'four': 'ove', 'five': 'L'}
s = pd.Series(dictionary)#未设置index，默认为字典的键值
print(s["one"])
print(s[["one","five"]])输出为：
2
one 2
five L
dtype: object二、Dataframe对象的创建
dataframe是二维数据结构，即数据以行和列的表格方式排列。
dataframe的功能特点：
- 潜在的列是不同的类型
- 大小可变
- 标记轴（行和列）
- 可以对行和列执行算术运算
函数pandas.DataFrame
pandas.DataFrame( data, index, columns, dtype, copy)- data：数据采取各种形式，如
ndarray，series，map，lists，dict，constant和另一个DataFrame均可。 - index：行标签，如果没有传递索引值，对于行标签，默认索引是
np.arrange(n)。 - columns：列标签，如果没有传递索引值，对于列标签，默认索引是np.arrange(n)。
- dtype：每列的数据类型。
- copy：默认值为
False。
创建一个空的dataframe
import pandas as pd
s = pd.DataFrame()
print(s)输出为：
Empty DataFrame
Columns: []
Index: []从列表创建dataframe
import pandas as pd
a = [1,2,4,3,"dfg"]
b = [[1,2],["ddf","dfd"],[3,4]]
data_1 = pd.DataFrame(a)
data_2 = pd.DataFrame(b)
print(data_1,"n",data_2)输出为：
0
0 1
1 2
2 4
3 3
4 dfg
0 1
0 1 2
1 ddf dfd
2 3 4从ndarrays 、字典来创建dataframe
import numpy as np
import pandas as pd
a = np.array([[1,2,3,45,5],[1,33,42,2,2]])
dictionary = {'one': 2, 'two': 'wangxinli', 'three': 'liyan', 'four': 'ove', 'five': 'L'}
dictionary_1 = {"one":a[0],"two":a[1]}
data_a = pd.DataFrame(a,columns=["1","3","5","7","9"],index = ["aa","d"])
data_dict = pd.DataFrame(dictionary,index = ["dd"])#index必须添加，不然会报错
data_dict1 = pd.DataFrame(dictionary_1)
print(data_a)
print(data_dict)
print(data_dict1)输出为：
1 3 5 7 9
aa 1 2 3 45 5
d 1 33 42 2 2
one two three four five
dd 2 wangxinli liyan ove L
one two
0 1 1
1 2 33
2 3 42
3 45 2
4 5 2从series以及系列字典来创建
a = pd.Series([1,2,3,4])
b = pd.Series([6,4,"dd","vv"])
c = pd.DataFrame([a,b])
d = pd.DataFrame({"one":a,"two":b})
print(c,"n",d)输出为：
0 1 2 3
0 1 2 3 4
1 6 4 dd vv
one two
0 1 6
1 2 4
2 3 dd
3 4 vv三、对dataframe行和列的操作
选择一列、增加列
array = np.arange(20).reshape(4,5)
abc = pd.DataFrame(array)
print(abc[2])
print(abc)
abc[5] = [1,2,3,4]
print(abc)
abc[6] = abc[1]+abc[3]
print(abc)输出为：
0 2
1 7
2 12
3 17
Name: 2, dtype: int32
0 1 2 3 4
0 0 1 2 3 4
1 5 6 7 8 9
2 10 11 12 13 14
3 15 16 17 18 19
0 1 2 3 4 5
0 0 1 2 3 4 1
1 5 6 7 8 9 2
2 10 11 12 13 14 3
3 15 16 17 18 19 4
0 1 2 3 4 5 6
0 0 1 2 3 4 1 4
1 5 6 7 8 9 2 14
2 10 11 12 13 14 3 24
3 15 16 17 18 19 4 34列的删除，使用drop函数
drop(self, labels=None, axis=0, index=None, columns=None,
level=None, inplace=False, errors='raise')重要参数
- labels : 选择删除的行和列标签。
- axis : {0 or 'index', 1 or 'columns'}, 默认0，0表示删除行，1表示删除列。
- index, columns :直接设置index和columns可以达到设置lables和axis一样的效果。
- inplace : 是否更改原数据
a = abc.drop(labels=[0,2],axis=0)#删除行标签为0和2的行
print(a)
b = abc.drop(labels=[0,2],axis=1)#删除标签为0和2的列
print(b)
abc.drop(labels=[2,3],axis=1,inplace=True)#删除标签2和3的列，并返回给abc
print(abc)输出为：
0 1 2 3 4 5 6
1 5 6 7 8 9 2 14
3 15 16 17 18 19 4 34
1 3 4 5 6
0 1 3 4 1 4
1 6 8 9 2 14
2 11 13 14 3 24
3 16 18 19 4 34
0 1 4 5 6
0 0 1 4 1 4
1 5 6 9 2 14
2 10 11 14 3 24
3 15 16 19 4 34行选择，添加和删除
可以通过将行标签传递给loc()函数来选择行。
print(abc)
print(abc.loc[0,1])
print(abc.loc[[0,1]])
print(abc.loc[[0,1],[0,1]])输出为：
abc
0 1 4 5 6
0 0 1 4 1 4
1 5 6 9 2 14
2 10 11 14 3 24
3 15 16 19 4 34
abc.loc[0,1]
1
abc.loc[[0,1]]
0 1 4 5 6
0 0 1 4 1 4
1 5 6 9 2 14
abc.loc[[0,1],[0,1]]
0 1
0 0 1
1 5 6按整数位置选择，可以通过将整数位置传递给iloc()函数来选择行
abc.iloc[1]
abc.iloc[:,[2,3]]类似于数组切片的操作。
行切片
可以使用:运算符选择多行。
abc[2:3]表示选取第三行。
附加行
使用append()函数将新行添加到DataFrame。
append(self, other, ignore_index=False,verify_integrity=False, sort=None)重要参数
other：DataFrame、series、dict、list这样的数据结构。
ignore_index：默认值为False，如果为True则不使用index标签。
verify_integrity ：默认值为False，如果为True当创建相同的index时会抛出ValueError的异常。
sort：boolean，默认是None，该属性在pandas的0.23.0的版本才存在。