pandas多列数据分类汇总（Pandas多层级索引的数据分析案例）

作者：俊欣

来源：关于数据分析与可视化

今天我们来聊一下pandas当中的数据集中带有多重索引的数据分析实战

通常我们接触比较多的是单层索引（左图），而多级索引也就意味着数据集当中的行索引有多个层级（右图），具体的如下图所示

AUTUMN

导入数据

我们先导入数据与pandas模块。

import pandas as pd ## 导入数据集 df = pd.read_csv('dataset.csv') df.head()

output

该数据集描述的是英国部分城市在2019年7月1日至7月4日期间的全天天气状况，我们先来看一下当前的数据集的行索引有哪些？代码如下

df.index.names

output

FrozenList(['City', 'Date'])

数据集当中City、Date，这里的City我们可以当作是第一层级索引，而Date则是第二层级索引。

我们也可以通过调用sort_index()方法来按照数据集的行索引来进行排序，代码如下

df_1 = df.sort_index() df_1

output

要是我们想将这个多层索引去除掉，就调用reset_index()方法，代码如下

df.reset_index()

下面我们就开始针对多层索引来对数据集进行一些分析的实战吧

第一层级的数据筛选

在pandas当中数据筛选的方法，一般我们是调用loc以及iloc方法，同样地，在多层级索引的数据集当中数据的筛选也是调用该两种方法，例如筛选出伦敦白天的天气状况如何，代码如下

df_1.loc['London' , 'Day']

output

要是我们想针对所有的行，就可以这么来做

df_1.loc[:, 'Day']

output

同理针对所有的列，就可以这么来做

df_1.loc['London' , :]

output

多层级索引的数据筛选

要是我们想看伦敦2019年7月1日白天的天气状况，就可以这么来做

df.loc['London', 'Day'].loc['2019-07-01']

output

Weather Shower Wind SW 16 mph Max Temperature 28 Name: 2019-07-01, dtype: object

这里我们进行了两次数据筛选的操作，先是df.loc['London', 'Day']，然后再此的基础之上再进行loc['2019-07-01']操作，当然还有更加方便的步骤，代码如下

df.loc[('London', '2019-07-01'), 'Day']

output

Weather Shower Wind SW 16 mph Max Temperature 28 Name: 2019-07-01, dtype: object

除此之外我们要是想看一下伦敦2019年7月1日和7月2日两天白天的天气情况，就可以这么来做

df.loc[ ('London' , ['2019-07-01','2019-07-02'] ) , 'Day' ]

output

在此基础之上，我们想要看天气和风速这两列，我们也可以单独摘出来，代码如下

df.loc[ 'London' , ('Day', ['Weather', 'Wind']) ]

output

按照范围来筛选数据

对于第一层级的索引而言，我们同样还是调用loc方法来实现

df.loc[ 'Cambridge':'Oxford', 'Day' ]

output

但是对于第二层级的索引，要是用同样的方式来用就会报错，

df.loc[ ('London', '2019-07-01': '2019-07-03'), 'Day' ]

output

SyntaxError: invalid syntax (<ipython-input-22-176180497f92>, line 3)

正确的写法代码如下

df.loc[ ('London','2019-07-01'):('London','2019-07-03'), 'Day' ]

output

筛选出所有全部的内容

对于单层索引而言，我们通过:来筛选出所有的内容，但是在多层级的索引上面则并不适用，

# 出现语法错误 df.loc[ ('London', :), 'Day' ] # 出现语法错误 df.loc[ (: , '2019-07-04'), 'Day' ]

正确的做法如下所示

# 筛选出伦敦下面所有天数的白天天气情况 df.loc[ ('London', slice(None)), 'Day' ]

output

# 筛选出2019年7月4日下所有城市的白天天气情况 df.loc[ (slice(None) , '2019-07-04'), 'Day' ]

output

当然这里还有更加简便的方法，我们通过调用pandas当中IndexSlice函数来实现，代码如下

from pandas import IndexSlice as idx df.loc[ idx[: , '2019-07-04'], 'Day' ]

output

又或者是

rows = idx[: , '2019-07-01'] cols = idx['Day' , ['Max Temperature','Weather']] df.loc[rows, cols]

output

xs()方法的调用

对于多层级索引的数据集而言，调用xs()方法能够更加方便地进行数据的筛选，例如我们想要筛选出日期是2019年7月4日的所有数据，代码如下

df.xs('2019-07-04', level='Date')

output

我们需要在level参数上指定是哪个标签，例如我们想要筛选出伦敦2019年7月4日全天的天气情况，代码如下

df.xs(('London', '2019-07-04'), level=['City','Date'])

output

最后xs方法可以和上面提到的IndexSlice函数联用，针对多层级的数据集来进行数据的筛选，例如我们想要筛选出2019年7月2日至7月4日，伦敦全天的天气状况，代码如下

rows= ( idx['2019-07-02':'2019-07-04'], 'London' ) df.xs( rows , level = ['Date','City'] )

output

,