（1）重新索引
在pandas物件中，其實索引也是乙個物件，所以可對其進行修改。
例如：df.index=['a','b','c']
>>> df =>>> df = pd.dataframe(df)
>>> df
one two three
0 -0.996986 0.190981 0.482912
1 -0.233812 -0.140953 0.052706
2 0.470900 0.590664 0.486823
#設定索引
>>> df.index=['a','b','c']
>>> df
one two three
a -0.996986 0.190981 0.482912
b -0.233812 -0.140953 0.052706
c 0.470900 0.590664 0.486823
（2）設定新的索引
reindex()：重新索引並得到乙個新的pandas物件。
且reindex()方法不僅可以重新索引dataframe，也可以同時實現過濾功能。
>>> new = df.reindex(['b','c','e'])>>> new
one two three
b -0.233812 -0.140953 0.052706
c 0.470900 0.590664 0.486823
e nan nan nan
reindex()也可以用來調整列的順序，這時需要設定axis引數為'columns'或1；
>>> df.reindex(['three','two','one'],axis='columns')three two one
a 0.766450 0.452801 1.286715
b 0.342262 1.523188 0.620788
c 0.867786 0.758714 -2.343242
（3）使用set_index()可以指定某一列為索引，這在對日期型資料或者是以名稱進行區分的資料非常有用，後期會以例項描述的更為詳細。
>>> df.set_index('one')
two three
one-0.996986 0.190981 0.482912
-0.233812 -0.140953 0.052706
0.470900 0.590664 0.486823
上述的方法在將某一列設定為索引後，特徵不會將該列進行儲存，若需要將設定為索引的列保留在資料中，則需要將引數drop設定為false：
>>> df.set_index('one',drop=false)
one two threeone 1.286715 1.286715 0.452801 0.766450
0.620788 0.620788 1.523188 0.342262
-2.343242 -2.343242 0.758714 0.867786
>>> dfone two three
a 1.286715 0.452801 0.766450
b 0.620788 1.523188 0.342262
c -2.343242 0.758714 0.867786
two three
onea 1.286715 0.452801 0.766450
b 0.620788 1.523188 0.342262
c -2.343242 0.758714 0.867786
修改索引和列名的標籤可以使用rename()方法結
合字典、series
或者乙個原函式將標籤對映為乙個新的標籤
。（1）關於結合字典可以參照3-pandas之series和dataframe區別的第六部分，
（2）使用函式對映的方式
例：將字串的大寫轉換函式傳入，對列標籤進行修改
>>> df.rename(columns=str.upper)one two three
a -0.996986 0.190981 0.482912
b -0.233812 -0.140953 0.052706
c 0.470900 0.590664 0.486823
例：結合lambda：將所有的列的前2個字元大寫，其餘小寫
>>> df.rename(columns=lambda x:x[:2].upper()+x[2:].lower())one two three
a -0.996986 0.190981 0.482912
b -0.233812 -0.140953 0.052706
c 0.470900 0.590664 0.486823
層次化索引可以基於series和dataframe建立更加高維的資料。
也就是說，若有乙個dataframe是乙個堆積式的（在乙個軸上需要建立不止乙個索引），那麼此時就需要用到層次化索引，這和panel有些類似。但是在實際中並不是很常用！
建立乙個層次化索引：
>>> data=pd.series(np.random.randn(5),index=[['a','a','b','b','b'],['a1','a2','b1','b2','b3']])>>> data
a a1 0.792324
a2 -0.650764
b b1 -0.282874
b2 -1.402477
b3 -3.551578
dtype: float64
#檢視索引
>>> data.index
multiindex(levels=[['a', 'b'], ['a1', 'a2', 'b1', 'b2', 'b3']],
codes=[[0, 0, 1, 1, 1], [0, 1, 2, 3, 4]])
#levels包含了每個級別索引的標籤，labels是對每個資料在對應不同levels的位置進行了標記
每個index均有乙個屬性（名稱names），可通過.index.names對索引列的列名進行建立於修改
>>> data.index.names=['first','second']>>> data
first second
a a1 0.792324
a2 -0.650764
b b1 -0.282874
b2 -1.402477
b3 -3.551578
dtype: float64
重排級別順序是基於有索引個數》=1的dataframe。
（1）swaplevel():將columns軸上的索引級別進行互換。
>>>df.swaplevel(0,1,axis=1)
（2）reorder_levels()：指定多個級別的順序
（3）提取資料還是可以使用iloc()與loc()
（4）unstack()：若index軸上有多個級別索引的dataframe，使用該方法將指定級別(level引數)安排在columns上形成乙個新的dataframe
（3）pandas 缺失資料處理
右擊桌面上選擇 open in terminal 開啟終端。在彈出的終端中輸入 ipython 進入python的直譯器中，如圖1所示。圖1 ipython直譯器匯入實驗常用的python包。如圖2所示。import pandas as pd pandas用來做資料處理。import numpy a...
初探pandas 索引和查詢資料
利用pandas查詢資料 import pandas as pd ser pd.series range 0 10,2 print ser 0 0 1 2 2 4 3 6 4 8 dtype int64通過index檢視索引值 print ser.index rangeindex start 0,s...
2 Pandas資料初探索之資料型別與資料篩選
1 pandas的資料型別主要結合了pandas和numpy兩個模組中的資料型別，包括以下幾種 2 通過dateframe物件的dtypes屬性,可得到各個特徵的資料型別。例如 df.dtypes 3 型別轉換 1 通過astype 轉換資料型別，預設情況下會產生物件轉換後的乙個副本 df a df...