---

索引对象

Index类对象，该对象不可以进行修改（不可变性），以保证数据的安全。

---

多个数据结构之间共享index类对象

基于Index类对象的不可变性，实现两个以上数据结构共享一个索引

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)

输出结果：

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

---

is与==的区别

is比较的是两个对象的地址值，也就是说两个对象是否为同一个实例对象；而==比较的是对象的值是否相等。

---

重置索引——reindex()

该方法的作用时对原索引和新索引进行匹配，新索引含有原索引的数据，而原索引数据按照新索引排序。

语法格式：

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

上述方法的部分参数含义如下：

index：用作索引的新序列

method：插值填充方式

fill_value：引入缺失值时使用的替代值

limit：前向或者后向填充时的最大填充量

如果新索引中没有原索引的数据，那么将新添加的索引的值填充为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)

输出结果：

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

---

如果不想填充为NaN，则可使用fill_value参数来指定缺失值。

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

输出结果：

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

---

fill_value参数会让所有的缺失值都填充为同一个值。

如果期望使用相邻的元素值（上或下一个元素的值）进行填充，则可使用method参数。

参数	说明
ffill 或 pad	前向填充值
bfill 或 backfill	后向填充值
nearest	从最近的索引值填充（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)

输出结果：

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

两种索引方式：

print("ser_obj1[2]:", ser_obj1[2])  # 使用索引位置获得数据
print("ser_obj1['c']:", ser_obj1['c'])  # 使用索引名称获取数据

---

ser_obj1

a 0
b 1
c 2
dtype: int64

---

输出结果：

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

---

切片

位置索引进行切片，切片结果包含起始位置不包括结束位置（前闭后开）

索引名称进行切片，切片结果包含起始位置包括结束位置（前闭后闭）

print("ser_obj5[2:4]:\n", ser_obj5[2:4])  # 使用位置索引进行切片
print("ser_obj7['b':'d']:\n", ser_obj7['b':'d'])  # 使用索引名称进行切片

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

输出结果：

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

---

不连续索引

print("ser_obj5[[0, 2, 4]]:\n", ser_obj5[[0, 2, 4]])  # 通过不连续位置索引获取数据集
print("ser_obj7[['a', 'c', 'e']]:\n", ser_obj7[['a', 'c', 'e']])  # 通过不连续索引名称获取数据集

输出结果：

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

---

布尔型索引

将布尔型的数组索引作为模板筛选数据，返回与模板中True位置对应的元素

ser_bool = ser_obj7 > 2  # 创建布尔型Series对象
print("ser_bool:\n", ser_bool)
print("ser_obj7[ser_bool]:\n", ser_obj7[ser_bool])  # 获取结果为True的数据

输出结果：

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中每列的数据都是一个Series对象，可以使用列索引获取

arr1 = np.arange(12).reshape(3, 4)
df_obj1 = pd.DataFrame(arr1, columns=['a', 'b', 'c', 'd'])
# 创建DataFrame对象，并为其指定列索引
print("df_obj1:\n", df_obj1)
print("df_obj1['b']:\n", df_obj1['b'])  # 获取b列的数据

输出结果：

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

---

获取不连续的Series对象

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

输出结果：

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])  # 使用切片获取第0~1行的数据
print("df_obj1[:3][['b', 'd']]:\n", df_obj1[:3][['b', 'd']])
# 使用切片先通过行索引获取0~2行的数据，再通过不连续列索引获取b、d列的数据

输出结果：

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库中的操作索引方法

loc：基于标签索引（索引名称，如：a、b等），用于按标签选取数据。当执行切片操作时，既包含起始索引，也包含结束索引。（前闭后闭）

iloc：基于位置索引（整数索引，如：0~length-1），用于按位置选取数据。当执行切片操作时，只包含起始索引，不包含结束索引。（前闭后开）

iloc方法主要使用整数来索引数据，而不能使用字符标签来索引数据。

loc方法只能使用字符标签来索引数据，而不能使用整数来索引数据。不过，当DataFrame对象的行索引或者列索引使用的是整数时，则其就可以使用整数来索引。

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

输出结果：

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【数组索引】

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]])

输出结果：

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