Как сделать столбец индексом pandas
Как установить столбец как индекс в Pandas DataFrame?
Пандас – Установите колонку в качестве индекса
По умолчанию индекс создан для dataframe. Но вы можете установить определенный столбец DataFrame в качестве индекса, если требуется.
Чтобы установить столбец в качестве индекса для DataFrame, используйте Dataframe.set_index () Функция с именем столбца прошла аргумент.
Вы также можете настроить Multiindex с несколькими столбцами в индексе. В этом случае пройдите массив имени столбцов, необходимых для индекса, для Set_index () метода.
Синтаксис set_index ()
Синтаксис set_index () для настройки столбца в качестве индекса
где MyDataFrame Является ли DataFrame для которого вы хотели бы установить Column_name столбец как индекс.
Чтобы настроить Multiindex, используйте следующий синтаксис.
Вы можете пройти как можно больше имен столбцов.
Обратите внимание, что set_index () Способ не изменяет исходное dataframe, но возвращает dataframe с столбцом, установленным в качестве индекса.
Пример 1. Установите столбец в качестве индекса в PandaS DataFrame
В этом примере мы берем dataframe и попробуем установить столбец в качестве индекса.
Колонна Rollno данных DataFrame устанавливается как индекс.
Также соблюдайте вывод оригинального DataFrame и выходов DataFrame с Rollno как индекс. В исходном DataFrame есть отдельный столбец индекса (первый столбец) без имени столбца. Но в нашем втором DataFrame, поскольку существующая колонна действует как индекс, этот столбец занял первое место.
Пример 2: Установите Multiindex для PandaFrame
В этом примере мы передадим несколько имен столбцов в качестве массива для Set_index (), чтобы настроить Multiindex для PandaFrame PandaS.
Резюме
В этом руководстве Pandas мы узнали, как установить определенный столбец DataFrame в качестве индекса.
Преобразовать столбец в имя / индекс строки в Pandas
Pandas предоставляет удобный способ обработки данных и их преобразования. Давайте посмотрим, как мы можем преобразовать столбец в имя / индекс строки в Pandas.
Сначала создайте фрейм данных с указанием списков.
# импорт панд как pd
import pandas as pd
# Создание диктата списков
# создание фрейма данных
Выход: 
# импорт панд как pd
import pandas as pd
# Создание диктата списков
# Создание фрейма данных
# Использование метода set_index () в столбце «Имя»
df = df.set_index( ‘Name’ )
Выход: 
Теперь установите имя индекса как None.
# установить индекс в ‘None’ через его свойство name
Выход: 
Теперь, скажем, мы хотим, чтобы Result был строками / индексом, а столбцы name в нашем фрейме данных, чтобы достичь этой панды, предоставил метод под названием Pivot. Давайте посмотрим, как это работает,
# импорт панд как pd
import pandas as pd
# Создание диктата списков
# поворот кадра данных
Выход: 
Как преобразовать индекс pandas в фрейме данных в столбец?
Это кажется довольно очевидным, но я не могу понять, как преобразовать индекс фрейма данных в столбец?
3 ответов
Итак, если у вас есть многоиндексный кадр с 3 уровнями индекса, например:
и вы хотите преобразовать 1-й ( tick ) и 3 ( obs ) уровни в индексе в столбцы, вы бы сделали:
для MultiIndex вы можете извлечь его субиндекс, используя
чтобы обеспечить немного больше ясности, давайте рассмотрим фрейм данных с двумя уровнями в его индексе (MultiIndex).
на reset_index метод, вызываемый с параметрами по умолчанию, преобразует все уровни индекса в столбцы и использует простой RangeIndex как новый индекс.
использовать level параметр для управления, какие уровни индекса преобразуются в столбцы. Если возможно, используйте имя уровня, которое является более явным. Если нет имен уровней, вы можете ссылаться на каждый уровень по его целочисленному местоположению, которое начинается с 0 снаружи. Здесь можно использовать скалярное значение или список всех индексов, которые вы хотите сбросить.
в редких случаях, когда вы хотите сохранить индекс и превратить индекс в столбец, вы можете сделать следующее:
Как сделать столбец индексом pandas
При работе с таблицами Pandas порой приходится их видоизменять, в частности, когда таблица многоуровневая. В этой статье мы расскажем вам об основных функциях Pandas для изменения формы таблицы. К этим функциям относятся: pivot для создания сводной таблицы, stack/unstack для добавления/удаления уровня и melt для преобразования столбцов в строки.
Сводные таблицы с Pivot
Результат pivot на таблицах Pandas
Пример с кодом на Python для создания сводной таблицы:
Добавляем и удаляем уровни
С pivot тесно связаны связанные методы stack и unstack как для объектов Series, так и DataFrame. Эти методы предназначены для совместной работы с многоуровневыми таблицами. Под уровнем подразумевается столбец в индексе. Вот что в сущности делают эти методы:
Результат удаления уровня
Код на Python для добавления уровня в таблице Pandas:
Из столбцов в переменные
Результат преобразования melt
Следующий пример на Python демонстрирует результат Pandas-функции melt:
Еще больше подробностей о преобразовании таблиц Pandas в рамках анализа данных и задач Data Science на реальных примерах вы узнаете на нашем специализированном курсе «DPREP: Подготовка данных для Data Mining на Python» в лицензированном учебном центре обучения и повышения квалификации IT-специалистов в Москве.
Моя шпаргалка по pandas
Один преподаватель как-то сказал мне, что если поискать аналог программиста в мире книг, то окажется, что программисты похожи не на учебники, а на оглавления учебников: они не помнят всего, но знают, как быстро найти то, что им нужно.
Возможность быстро находить описания функций позволяет программистам продуктивно работать, не теряя состояния потока. Поэтому я и создал представленную здесь шпаргалку по pandas и включил в неё то, чем пользуюсь каждый день, создавая веб-приложения и модели машинного обучения.
1. Подготовка к работе
Если вы хотите самостоятельно опробовать то, о чём тут пойдёт речь, загрузите набор данных Anime Recommendations Database с Kaggle. Распакуйте его и поместите в ту же папку, где находится ваш Jupyter Notebook (далее — блокнот).
Теперь выполните следующие команды.
После этого у вас должна появиться возможность воспроизвести то, что я покажу в следующих разделах этого материала.
2. Импорт данных
▍Загрузка CSV-данных
Здесь я хочу рассказать о преобразовании CSV-данных непосредственно в датафреймы (в объекты Dataframe). Иногда при загрузке данных формата CSV нужно указывать их кодировку (например, это может выглядеть как encoding=’ISO-8859–1′ ). Это — первое, что стоит попробовать сделать в том случае, если оказывается, что после загрузки данных датафрейм содержит нечитаемые символы.
▍Создание датафрейма из данных, введённых вручную
Это может пригодиться тогда, когда нужно вручную ввести в программу простые данные. Например — если нужно оценить изменения, претерпеваемые данными, проходящими через конвейер обработки данных.
Данные, введённые вручную
▍Копирование датафрейма
Копирование датафреймов может пригодиться в ситуациях, когда требуется внести в данные изменения, но при этом надо и сохранить оригинал. Если датафреймы нужно копировать, то рекомендуется делать это сразу после их загрузки.
3. Экспорт данных
▍Экспорт в формат CSV
При экспорте данных они сохраняются в той же папке, где находится блокнот. Ниже показан пример сохранения первых 10 строк датафрейма, но то, что именно сохранять, зависит от конкретной задачи.
4. Просмотр и исследование данных
▍Получение n записей из начала или конца датафрейма
Сначала поговорим о выводе первых n элементов датафрейма. Я часто вывожу некоторое количество элементов из начала датафрейма где-нибудь в блокноте. Это позволяет мне удобно обращаться к этим данным в том случае, если я забуду о том, что именно находится в датафрейме. Похожую роль играет и вывод нескольких последних элементов.
Данные из начала датафрейма
Данные из конца датафрейма
▍Подсчёт количества строк в датафрейме
▍Подсчёт количества уникальных значений в столбце
Для подсчёта количества уникальных значений в столбце можно воспользоваться такой конструкцией:
▍Получение сведений о датафрейме
В сведения о датафрейме входит общая информация о нём вроде заголовка, количества значений, типов данных столбцов.
Сведения о датафрейме
▍Вывод статистических сведений о датафрейме
Знание статистических сведений о датафрейме весьма полезно в ситуациях, когда он содержит множество числовых значений. Например, знание среднего, минимального и максимального значений столбца rating даёт нам некоторое понимание того, как, в целом, выглядит датафрейм. Вот соответствующая команда:
Статистические сведения о датафрейме
▍Подсчёт количества значений
Для того чтобы подсчитать количество значений в конкретном столбце, можно воспользоваться следующей конструкцией:
Подсчёт количества элементов в столбце
5. Извлечение информации из датафреймов
▍Создание списка или объекта Series на основе значений столбца
Это может пригодиться в тех случаях, когда требуется извлекать значения столбцов в переменные x и y для обучения модели. Здесь применимы следующие команды:
Результаты работы команды anime[‘genre’].tolist()
Результаты работы команды anime[‘genre’]
▍Получение списка значений из индекса
Результаты выполнения команды
▍Получение списка значений столбцов
Вот команда, которая позволяет получить список значений столбцов:
Результаты выполнения команды
6. Добавление данных в датафрейм и удаление их из него
▍Присоединение к датафрейму нового столбца с заданным значением
Иногда мне приходится добавлять в датафреймы новые столбцы. Например — в случаях, когда у меня есть тестовый и обучающий наборы в двух разных датафреймах, и мне, прежде чем их скомбинировать, нужно пометить их так, чтобы потом их можно было бы различить. Для этого используется такая конструкция:
▍Создание нового датафрейма из подмножества столбцов
Это может пригодиться в том случае, если требуется сохранить в новом датафрейме несколько столбцов огромного датафрейма, но при этом не хочется выписывать имена столбцов, которые нужно удалить.
Результат выполнения команды
▍Удаление заданных столбцов
Этот приём может оказаться полезным в том случае, если из датафрейма нужно удалить лишь несколько столбцов. Если удалять нужно много столбцов, то эта задача может оказаться довольно-таки утомительной, поэтому тут я предпочитаю пользоваться возможностью, описанной в предыдущем разделе.
Результаты выполнения команды
▍Добавление в датафрейм строки с суммой значений из других строк
Результат выполнения команды
Команда вида df.sum(axis=1) позволяет суммировать значения в столбцах.
7. Комбинирование датафреймов
▍Конкатенация двух датафреймов
Эта методика применима в ситуациях, когда имеются два датафрейма с одинаковыми столбцами, которые нужно скомбинировать.
В данном примере мы сначала разделяем датафрейм на две части, а потом снова объединяем эти части:
Датафрейм, объединяющий df1 и df2
▍Слияние датафреймов
Результаты выполнения команды
8. Фильтрация
▍Получение строк с нужными индексными значениями
Индексными значениями датафрейма anime_modified являются названия аниме. Обратите внимание на то, как мы используем эти названия для выбора конкретных столбцов.
Результаты выполнения команды
▍Получение строк по числовым индексам
Следующая конструкция позволяет выбрать три первых строки датафрейма:
Результаты выполнения команды
▍Получение строк по заданным значениям столбцов
Для получения строк датафрейма в ситуации, когда имеется список значений столбцов, можно воспользоваться следующей командой:
Результаты выполнения команды
Если нас интересует единственное значение — можно воспользоваться такой конструкцией:
▍Получение среза датафрейма
Эта техника напоминает получение среза списка. А именно, речь идёт о получении фрагмента датафрейма, содержащего строки, соответствующие заданной конфигурации индексов.
Результаты выполнения команды
▍Фильтрация по значению
Из датафреймов можно выбирать строки, соответствующие заданному условию. Обратите внимание на то, что при использовании этого метода сохраняются существующие индексные значения.
Результаты выполнения команды
9. Сортировка
Для сортировки датафреймов по значениям столбцов можно воспользоваться функцией df.sort_values :
Результаты выполнения команды
10. Агрегирование
▍Функция df.groupby и подсчёт количества записей
Вот как подсчитать количество записей с различными значениями в столбцах:
Результаты выполнения команды
▍Функция df.groupby и агрегирование столбцов различными способами
▍Создание сводной таблицы
Для того чтобы извлечь из датафрейма некие данные, нет ничего лучше, чем сводная таблица. Обратите внимание на то, что здесь я серьёзно отфильтровал датафрейм, что ускорило создание сводной таблицы.
Результаты выполнения команды
11. Очистка данных
▍Запись в ячейки, содержащие значение NaN, какого-то другого значения
Таблица, содержащая значения NaN
Результаты замены значений NaN на 0
12. Другие полезные возможности
▍Отбор случайных образцов из набора данных
Результаты выполнения команды
▍Перебор строк датафрейма
Следующая конструкция позволяет перебирать строки датафрейма:
Результаты выполнения команды
▍Борьба с ошибкой IOPub data rate exceeded
Если вы сталкиваетесь с ошибкой IOPub data rate exceeded — попробуйте, при запуске Jupyter Notebook, воспользоваться следующей командой:
Итоги
Здесь я рассказал о некоторых полезных приёмах использования pandas в среде Jupyter Notebook. Надеюсь, моя шпаргалка вам пригодится.