7.8 分層索引

原文：Hierarchical Indexing

譯者：飛龍

協(xié)議：CC BY-NC-SA 4.0

本節(jié)是《Python 數(shù)據(jù)科學(xué)手冊》（Python Data Science Handbook）的摘錄。

到目前為止祟敛，我們主要關(guān)注一維和二維數(shù)據(jù)，分別存儲在 Pandas Series和DataFrame對象中锅睛。通常，超出此范圍并存儲更高維度的數(shù)據(jù)（即由多于一個(gè)或兩個(gè)鍵索引的數(shù)據(jù)）是有用的印蔬。

雖然 Pandas 確實(shí)提供了Panel和Panel4D對象，這些對象原生地處理三維和四維數(shù)據(jù)（參見“旁注：面板數(shù)據(jù)”）退唠，實(shí)踐中的更常見模式是利用分層索引（也稱為多重索引）瞧预，在單個(gè)索引中合并多個(gè)索引層次盆驹。通過這種方式召娜，可以在熟悉的一維Series和二維DataFrame對象中，緊湊地表示高維數(shù)據(jù)雅倒。

在本節(jié)中蔑匣，我們將探索MultiIndex對象的直接創(chuàng)建，在對多重索引數(shù)據(jù)執(zhí)行索引校套，切片和計(jì)算統(tǒng)計(jì)數(shù)據(jù)時(shí)的注意事項(xiàng)侨把，以及在數(shù)據(jù)的簡單和分層索引表示之間進(jìn)行轉(zhuǎn)換的有用例程秋柄。

我們以標(biāo)準(zhǔn)導(dǎo)入開始：

import pandas as pd
import numpy as np

多重索引的序列

讓我們首先考慮如何在一維Series中表示二維數(shù)據(jù)。具體而言笨触，我們將考慮數(shù)據(jù)序列旭旭，其中每個(gè)點(diǎn)都有一個(gè)字符和數(shù)字鍵持寄。

不好的方式

假設(shè)你想跟蹤兩個(gè)不同年份的州的數(shù)據(jù)废麻。使用我們已經(jīng)介紹過的 Pandas 工具烛愧，你可能只想使用 Python 元組作為鍵：

index = [('California', 2000), ('California', 2010),
         ('New York', 2000), ('New York', 2010),
         ('Texas', 2000), ('Texas', 2010)]
populations = [33871648, 37253956,
               18976457, 19378102,
               20851820, 25145561]
pop = pd.Series(populations, index=index)
pop

'''
(California, 2000)    33871648
(California, 2010)    37253956
(New York, 2000)      18976457
(New York, 2010)      19378102
(Texas, 2000)         20851820
(Texas, 2010)         25145561
dtype: int64
'''

使用此索引方案，你可以根據(jù)這個(gè)多重索引沧卢，直接對序列索引或切片：

pop[('California', 2010):('Texas', 2000)]

'''
(California, 2010)    37253956
(New York, 2000)      18976457
(New York, 2010)      19378102
(Texas, 2000)         20851820
dtype: int64
'''

但也就這樣了。 例如立磁，如果你需要選擇 2010 年的所有值，則需要進(jìn)行一些混亂（并且可能很慢）的調(diào)整來實(shí)現(xiàn)它：

pop[[i for i in pop.index if i[1] == 2010]]

'''
(California, 2010)    37253956
(New York, 2010)      19378102
(Texas, 2010)         25145561
dtype: int64
'''

這會產(chǎn)生所需的結(jié)果才沧，但不像我們所喜歡的 Pandas 中的切片語法那樣干凈（或?qū)Υ笮蛿?shù)據(jù)集有效）。

更好的方式：Pandas MultiIndex

幸運(yùn)的是岁歉，Pandas 提供了一種更好的方式锅移。
我們的基于元組的索引非剃，本質(zhì)上是一個(gè)基本的多重索引备绽，而 Pandas 的MultiIndex類型為我們提供了我們希望擁有的操作類型恨锚。我們可以從元組創(chuàng)建多重索引，如下所示：

index = pd.MultiIndex.from_tuples(index)
index

'''
MultiIndex(levels=[['California', 'New York', 'Texas'], [2000, 2010]],
           labels=[[0, 0, 1, 1, 2, 2], [0, 1, 0, 1, 0, 1]])
'''

請注意他挎，MultiIndex包含索引的多個(gè)層次 - 在這種情況下雇盖，州名稱和年份，以及編碼這些層次的狸相，每個(gè)數(shù)據(jù)點(diǎn)的多個(gè)標(biāo)簽。

如果我們用這個(gè)MultiIndex重新索引我們的序列瘸右，我們會看到數(shù)據(jù)的分層表示：

pop = pop.reindex(index)
pop

'''
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

這里Series表示的前兩列展示了多個(gè)索引值，而第三列展示數(shù)據(jù)龄章。請注意，第一列中缺少某些條目：在多重索引表示中锚贱，任何空白條目都表示與其上方的行相同的值拧廊。

現(xiàn)在來訪問第二個(gè)索引是 2010 的所有數(shù)據(jù)耐量，我們可以簡單地使用 Pandas 切片表示法：

pop[:, 2010]

'''
California    37253956
New York      19378102
Texas         25145561
dtype: int64
'''

結(jié)果是一個(gè)單值索引的數(shù)組滤港，只帶有我們感興趣的鍵山叮。與我們開始使用的自制的基于元組的多重索引解決方案相比，這種語法更方便（并且操作更加高效！）钞翔。我們現(xiàn)在將進(jìn)一步討論分層索引數(shù)據(jù)上的這種索引操作布轿。

作為額外維度的MultiIndex

你可能會注意到其他內(nèi)容：我們可以使用帶有索引和列標(biāo)簽的簡單DataFrame，來輕松存儲相同的數(shù)據(jù)来颤。事實(shí)上汰扭，Pandas 的構(gòu)建具有這種等價(jià)關(guān)系。 unstack()方法會快速將多重索引的Series轉(zhuǎn)換為常規(guī)索引的DataFrame：

pop_df = pop.unstack()
pop_df

當(dāng)然福铅，stack()方法提供了相反的操作：

pop_df.stack()

'''
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

看到這個(gè)萝毛，你可能想知道為什么我們會糾結(jié)于分層索引。原因很簡單：就像我們能夠使用多重索引本讥，在一維序列中表示二維數(shù)據(jù)一樣，我們也可以用它在Series或DataFrame中表示更多維的數(shù)據(jù)。

多重索引中的每個(gè)額外層次表示數(shù)據(jù)的額外維度；利用這個(gè)屬性，我們可以更靈活地處理我們可以表示的數(shù)據(jù)類型巢寡。具體而言题诵，我們可能希望，每年為每個(gè)州添加另一列人口統(tǒng)計(jì)數(shù)據(jù)（例如钉赁，18 歲以下的人口）; 使用MultiIndex就像在DataFrame中添加另一列一樣簡單：

pop_df = pd.DataFrame({'total': pop,
                       'under18': [9267089, 9284094,
                                   4687374, 4318033,
                                   5906301, 6879014]})
pop_df

此外式廷，“Pandas 中的數(shù)據(jù)操作”中討論的所有ufunc和其他功能也適用于分層索引蠕趁。根據(jù)以上數(shù)據(jù)术浪，我們在這里按年計(jì)算 18 歲以下人口的比例：

f_u18 = pop_df['under18'] / pop_df['total']
f_u18.unstack()

這使我們能夠輕松快速地操作和探索高維數(shù)據(jù)倔毙。

MultiIndex的創(chuàng)建方法

為Series或DataFrame構(gòu)造多重索引的最簡單方法诉儒，是簡單地將兩個(gè)或多個(gè)索引數(shù)組的列表傳遞給構(gòu)造器该互。 例如：

df = pd.DataFrame(np.random.rand(4, 2),
                  index=[['a', 'a', 'b', 'b'], [1, 2, 1, 2]],
                  columns=['data1', 'data2'])
df

創(chuàng)建MultiIndex的工作是在后臺完成的。

類似地萝嘁，如果你傳遞一個(gè)帶有適當(dāng)元組作為鍵的字典，Pandas 會自動識別它并默認(rèn)使用MultiIndex：

data = {('California', 2000): 33871648,
        ('California', 2010): 37253956,
        ('Texas', 2000): 20851820,
        ('Texas', 2010): 25145561,
        ('New York', 2000): 18976457,
        ('New York', 2010): 19378102}
pd.Series(data)

'''
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

然而河爹，顯式創(chuàng)建一個(gè)MultiIndex有時(shí)很有用州丹；我們在這里會看到其中的幾種方法。

MultiIndex顯式構(gòu)造器

為了更靈活地構(gòu)造索引眷唉，你可以使用pd.MultiIndex中提供的類方法構(gòu)造器。例如，正如我們之前所做的那樣计济，你可以從一個(gè)簡單的數(shù)組列表中構(gòu)造MultiIndex，提供每個(gè)層次中的索引值：

pd.MultiIndex.from_arrays([['a', 'a', 'b', 'b'], [1, 2, 1, 2]])

'''
MultiIndex(levels=[['a', 'b'], [1, 2]],
           labels=[[0, 0, 1, 1], [0, 1, 0, 1]])
'''

你可以從元組列表構(gòu)造它燎含，提供每個(gè)點(diǎn)的多重索引值：

pd.MultiIndex.from_tuples([('a', 1), ('a', 2), ('b', 1), ('b', 2)])

'''
MultiIndex(levels=[['a', 'b'], [1, 2]],
           labels=[[0, 0, 1, 1], [0, 1, 0, 1]])
'''

你甚至可以從單個(gè)索引的笛卡爾積中構(gòu)造它：

pd.MultiIndex.from_product([['a', 'b'], [1, 2]])

'''
MultiIndex(levels=[['a', 'b'], [1, 2]],
           labels=[[0, 0, 1, 1], [0, 1, 0, 1]])
'''

類似地钝诚，你可以通過傳遞levels（列表的列表泽铛，包含每個(gè)級別的可用索引值）和labels（引用這些標(biāo)簽的列表的列表），直接使用其內(nèi)部編碼構(gòu)造MultiIndex：

pd.MultiIndex(levels=[['a', 'b'], [1, 2]],
              labels=[[0, 0, 1, 1], [0, 1, 0, 1]])
              
'''
MultiIndex(levels=[['a', 'b'], [1, 2]],
           labels=[[0, 0, 1, 1], [0, 1, 0, 1]])
'''

當(dāng)創(chuàng)建Series或Dataframe時(shí)，這些對象中的任何一個(gè)都可以作為index參數(shù)傳遞凯亮，或者傳遞給現(xiàn)有Series或DataFrame的reindex方法。

MultiIndex層次名稱

有時(shí)命名MultiIndex的層次很方便葵擎。
這可以通過將names參數(shù)傳遞給上述任何一個(gè)MultiIndex構(gòu)造器谅阿，或者通過在事后設(shè)置索引的names屬性來實(shí)現(xiàn)：

pop.index.names = ['state', 'year']
pop

'''
state       year
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

在更復(fù)雜數(shù)據(jù)集的情況下，這可能是跟蹤各種索引值含義的有用方法酬滤。

列的MultiIndex

在DataFrame中签餐，行和列是完全對稱的，就像行可以有多個(gè)索引層次一樣盯串，列也可以有多個(gè)層次氯檐。考慮以下內(nèi)容体捏，這是一些（有些現(xiàn)實(shí)的）醫(yī)學(xué)數(shù)據(jù)的模型：

# 分層索引和列
index = pd.MultiIndex.from_product([[2013, 2014], [1, 2]],
                                   names=['year', 'visit'])
columns = pd.MultiIndex.from_product([['Bob', 'Guido', 'Sue'], ['HR', 'Temp']],
                                     names=['subject', 'type'])

# 生成一些數(shù)據(jù)
data = np.round(np.random.randn(4, 6), 1)
data[:, ::2] *= 10
data += 37

# 創(chuàng)建數(shù)據(jù)幀
health_data = pd.DataFrame(data, index=index, columns=columns)
health_data

| | subject | Bob | Guido | Sue |
| --- | --- | --- | --- | --- | --- | --- | --- |
| | type | HR | Temp | HR | Temp | HR | Temp |
| year | visit| | | | | | |
| 2013 | 1 | 31.0 | 38.7 | 32.0 | 36.7 | 35.0 | 37.2 |
| | 2 | 44.0 | 37.7 | 50.0 | 35.0 | 29.0 | 36.7 |
| 2014 | 1 | 30.0 | 37.4 | 39.0 | 37.8 | 61.0 | 36.9 |
| | 2 | 47.0 | 37.8 | 48.0 | 37.3 | 51.0 | 36.5 |

在這里冠摄，我們看到行和列的多重索引可以非常方便糯崎。這基本上是四維數(shù)據(jù)，其中維度是受試者河泳，測量類型沃呢，年份和就診次數(shù)。有了這個(gè)拆挥，我們就可以通過人名來索引頂級列薄霜，并得到一個(gè)完整的DataFrame，其中只包含該人的信息：

health_data['Guido']

對于一些復(fù)雜記錄纸兔，它包含多個(gè)標(biāo)記的測量值惰瓜，并多次跨越許多受試者（人，國家食拜，城市等）鸵熟，使用分層的行和列非常方便副编！

MultiIndex的索引和切片

MultiIndex上的索引和切片設(shè)計(jì)得很直觀负甸，如果你將索引視為添加的維度，它會有所幫助痹届。我們首先看一下多重索引的Series的索引呻待，然后是多重索引的DataFrame。

多重索引的序列

考慮一下我們之前看到的队腐，州人口的多重索引的序列：

pop

'''
state       year
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

我們可以通過索引多項(xiàng)來訪問單個(gè)元素：

pop['California', 2000]

# 33871648

MultiIndex也支持部分索引蚕捉，或僅索引索引中的一個(gè)層次。結(jié)果是另一個(gè)Series柴淘，持有較低層次的索引：

pop['California']

'''
year
2000    33871648
2010    37253956
dtype: int64
'''

MultiIndex是有序的迫淹，就可以執(zhí)行部分切片（參見“排序和未排序索引”中的討論）：

pop.loc['California':'New York']

'''
state       year
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
dtype: int64
'''

對于有序索引，可以通過在第一個(gè)索引中傳遞空切片为严，來在較低層次上執(zhí)行部分索引：

pop[:, 2000]

'''
state
California    33871648
New York      18976457
Texas         20851820
dtype: int64
'''

其他類型的索引和選擇（在“數(shù)據(jù)索引和選擇”中討論）也可以使用敛熬；例如，基于布爾掩碼的選擇：

pop[pop > 22000000]

'''
state       year
California  2000    33871648
            2010    37253956
Texas       2010    25145561
dtype: int64
'''

基于花式索引的選擇也有效：

pop[['California', 'Texas']]

'''
state       year
California  2000    33871648
            2010    37253956
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

多重索引數(shù)據(jù)幀

多重索引的DataFrame的表現(xiàn)類似第股∮γ瘢考慮我們之前的玩具醫(yī)療DataFrame：

health_data

| | subject | Bob | Guido | Sue |
| --- | --- | --- | --- | --- | --- | --- | --- |
| | type | HR | Temp | HR | Temp | HR | Temp |
| year | visit| | | | | | |
| 2013 | 1 | 31.0 | 38.7 | 32.0 | 36.7 | 35.0 | 37.2 |
| | 2 | 44.0 | 37.7 | 50.0 | 35.0 | 29.0 | 36.7 |
| 2014 | 1 | 30.0 | 37.4 | 39.0 | 37.8 | 61.0 | 36.9 |
| | 2 | 47.0 | 37.8 | 48.0 | 37.3 | 51.0 | 36.5 |

請記住，列在DataFrame中是主要的夕吻，并且用于多重索引的Series的語法適用于列诲锹。例如，我們可以通過簡單的操作恢復(fù) Guido 的心率數(shù)據(jù)：

health_data['Guido', 'HR']

'''
year  visit
2013  1        32.0
      2        50.0
2014  1        39.0
      2        48.0
Name: (Guido, HR), dtype: float64
'''

此外涉馅，與單值索引情況一樣归园，我們可以使用“數(shù)據(jù)索引和選擇”中介紹的loc，iloc和ix索引器稚矿。例如：

health_data.iloc[:2, :2]

| | subject | Bob |
| --- | --- | --- | --- |
| | type | HR | Temp |
| year | visit| | |
| 2013 | 1 | 31.0 | 38.7 |
| | 2 | 44.0 | 37.7 |

這些索引器提供了底層二維數(shù)據(jù)的數(shù)組式的視圖庸诱，但是可以向loc或iloc中的每個(gè)索引器悬钳，傳遞多個(gè)索引的元組。例如：

health_data.loc[:, ('Bob', 'HR')]

'''
year  visit
2013  1        31.0
      2        44.0
2014  1        30.0
      2        47.0
Name: (Bob, HR), dtype: float64
'''

在這些索引元組中使用切片并不是特別方便偶翅；嘗試在元組中創(chuàng)建切片將導(dǎo)致語法錯(cuò)誤：

health_data.loc[(:, 1), (:, 'HR')]

'''
  File "<ipython-input-32-8e3cc151e316>", line 1
    health_data.loc[(:, 1), (:, 'HR')]
                     ^
SyntaxError: invalid syntax
'''

你可以通過使用 Python 的內(nèi)置slice()函數(shù)默勾，顯式構(gòu)建所需的切片，來解決這個(gè)問題聚谁，但在這種情況下母剥，更好的方法是使用IndexSlice對象，正是由 Pandas 為這種情況提供的形导。

例如：

idx = pd.IndexSlice
health_data.loc[idx[:, 1], idx[:, 'HR']]

有很多方法可以在多重索引的Series和``DataFrame`中與數(shù)據(jù)進(jìn)行交互环疼，就像本書中的許多工具一樣，熟悉它們的最好方法就是嘗試它們朵耕！

重排多重索引

處理多重索引數(shù)據(jù)的關(guān)鍵之一炫隶，是知道如何有效地轉(zhuǎn)換數(shù)據(jù)。有許多操作將保留數(shù)據(jù)集中的所有信息阎曹，但為了各種計(jì)算的目的重新排列它伪阶。

我們在stack()和unstack()方法中看到了一個(gè)簡短的例子，但是還有很多方法处嫌，可以精確控制分層索引和列之間的數(shù)據(jù)重排栅贴，在這里我們將探索他們。

排序和未排序索引

早些時(shí)候熏迹，我們簡要地提到了一個(gè)警告檐薯，但我們應(yīng)該在這里強(qiáng)調(diào)一下。如果索引未排序注暗，多數(shù)MultiIndex切片操作將失敗坛缕。在這里我們來看看。

我們首先創(chuàng)建一些簡單的多重索引數(shù)據(jù)捆昏，其中索引不是按字母順序排序：

index = pd.MultiIndex.from_product([['a', 'c', 'b'], [1, 2]])
data = pd.Series(np.random.rand(6), index=index)
data.index.names = ['char', 'int']
data

'''
char  int
a     1      0.003001
      2      0.164974
c     1      0.741650
      2      0.569264
b     1      0.001693
      2      0.526226
dtype: float64
'''

如果我們嘗試對此索引進(jìn)行部分切片赚楚，則會導(dǎo)致錯(cuò)誤：

try:
    data['a':'b']
except KeyError as e:
    print(type(e))
    print(e)

'''
<class 'KeyError'>
'Key length (1) was greater than MultiIndex lexsort depth (0)'
'''

雖然從錯(cuò)誤消息中并不完全清楚，但這是MultiIndex未排序的結(jié)果屡立。由于各種原因直晨，部分切片和其他類似操作要求MultiIndex中的層次是（按字母順序）排序的。

Pandas 提供了許多便利的例程來執(zhí)行這種排序膨俐；例如DataFrame的sort_index()和sortlevel()方法勇皇。我們這里將使用最簡單的sort_index()：

data = data.sort_index()
data

'''
char  int
a     1      0.003001
      2      0.164974
b     1      0.001693
      2      0.526226
c     1      0.741650
      2      0.569264
dtype: float64
'''

通過以這種方式排序索引，部分切片將按預(yù)期工作：

data['a':'b']

'''
char  int
a     1      0.003001
      2      0.164974
b     1      0.001693
      2      0.526226
dtype: float64
'''

索引堆疊和解除堆疊

正如我們之前簡要介紹的那樣焚刺，可以將數(shù)據(jù)集從堆疊的多索引轉(zhuǎn)換為簡單的二維表示敛摘，可選擇指定要使用的層次：

pop.unstack(level=0)

pop.unstack(level=1)

unstack()的反面是stack()，這里可以用來恢復(fù)原始序列：

pop.unstack().stack()

'''
state       year
California  2000    33871648
            2010    37253956
New York    2000    18976457
            2010    19378102
Texas       2000    20851820
            2010    25145561
dtype: int64
'''

索引設(shè)置和重設(shè)

重排分層數(shù)據(jù)的另一種方法是將索引標(biāo)簽轉(zhuǎn)換為列乳愉；這可以通過reset_index方法完成兄淫。
在人口字典上調(diào)用它將產(chǎn)生一個(gè)帶有state和year列的DataFrame屯远，包含以前在索引中的信息。
為清楚起見捕虽，我們可以為列表示指定數(shù)據(jù)名稱：

pop_flat = pop.reset_index(name='population')
pop_flat

通常處理現(xiàn)實(shí)世界中的數(shù)據(jù)時(shí)慨丐，原始輸入數(shù)據(jù)看起來像這樣，從列值構(gòu)建MultiIndex會有用泄私。這可以通過DataFrame的set_index方法完成房揭，它返回一個(gè)多重索引的DataFrame：

pop_flat.set_index(['state', 'year'])

在實(shí)踐中，遇到真實(shí)數(shù)據(jù)集時(shí)晌端，我發(fā)現(xiàn)這種類型的重索引捅暴，是更有用的模式之一。

多重索引上的數(shù)據(jù)聚合

我們以前看到咧纠，Pandas 有內(nèi)置的數(shù)據(jù)聚合方法蓬痒，比如mean()``，sum()和max()漆羔。對于分層索引數(shù)據(jù)梧奢，可以傳遞level``參數(shù)，該參數(shù)控制聚合在上面計(jì)算的數(shù)據(jù)子集钧椰。

例如粹断，讓我們回到我們的健康數(shù)據(jù)：

health_data

| | subject | Bob | Guido | Sue |
| --- | --- | --- | --- | --- | --- | --- | --- |
| | type | HR | Temp | HR | Temp | HR | Temp |
| year | visit| | | | | | |
| 2013 | 1 | 31.0 | 38.7 | 32.0 | 36.7 | 35.0 | 37.2 |
| | 2 | 44.0 | 37.7 | 50.0 | 35.0 | 29.0 | 36.7 |
| 2014 | 1 | 30.0 | 37.4 | 39.0 | 37.8 | 61.0 | 36.9 |
| | 2 | 47.0 | 37.8 | 48.0 | 37.3 | 51.0 | 36.5 |

也許我們想對每年的兩次就診的測量值求平均。 我們可以通過指定我們想要探索的索引層次來實(shí)現(xiàn)嫡霞，在這種情況下是年份：

data_mean = health_data.mean(level='year')
data_mean

| subject | Bob | Guido | Sue |
| --- | --- | --- | --- | --- | --- | --- |
| type | HR | Temp | HR | Temp | HR | Temp |
| year| | | | | | |
| 2013 | 37.5 | 38.2 | 41.0 | 35.85 | 32.0 | 36.95 |
| 2014 | 38.5 | 37.6 | 43.5 | 37.55 | 56.0 | 36.70 |

通過進(jìn)一步利用axis關(guān)鍵字，我們可以在列上的層次中取平均值：

data_mean.mean(axis=1, level='type')

因此希柿，在兩行中诊沪，我們已經(jīng)能夠查詢每年所有就診和所有受試者的平均心率和體溫。這個(gè)語法實(shí)際上是GroupBy函數(shù)的簡寫曾撤，我們將在“聚合和分組”中討論端姚。雖然這是一個(gè)玩具示例，但許多真實(shí)世界的數(shù)據(jù)集具有相似的層次結(jié)構(gòu)挤悉。

旁注：面板數(shù)據(jù)

Pandas 還有一些我們尚未討論的基本數(shù)據(jù)結(jié)構(gòu)渐裸，即pd.Panel和pd.Panel4D對象。這些可以分別認(rèn)為是（一維）Series和（二維）DataFrame結(jié)構(gòu)的三維和四維擴(kuò)展装悲。

一旦熟悉了Series和DataFrame中的數(shù)據(jù)索引和操作昏鹃，Panel和Panel4D就相對簡單易用了。特別是诀诊，“數(shù)據(jù)索引和選擇”中討論的ix洞渤，loc和iloc索引器，很容易擴(kuò)展到這些更高維的結(jié)構(gòu)属瓣。

我們將不會在本文中進(jìn)一步介紹這些面板結(jié)構(gòu)载迄，因?yàn)槲以诖蠖鄶?shù)情況下發(fā)現(xiàn)讯柔，對于更高維數(shù)據(jù)來說，多重索引是更有用且概念上更簡單的表示护昧。另外魂迄，面板數(shù)據(jù)基本上是密集數(shù)據(jù)表示，而多索引基本上是稀疏數(shù)據(jù)表示惋耙。

隨著維度數(shù)量的增加极祸，對于大多數(shù)真實(shí)世界的數(shù)據(jù)集，密集表示可能變得非常低效怠晴。然而遥金，對于特定場合下的應(yīng)用，這些結(jié)構(gòu)可能是有用的蒜田。如果你想了解Panel和Panel4D結(jié)構(gòu)的更多信息稿械，請參考“更多資源”中列出的參考資料。