hierarchical indexing是pandas的一項(xiàng)重要功能二跋，它使你能在一個(gè)軸上擁有多個(gè)（兩個(gè)以上）索引級(jí)別蜡饵。它能讓你以低維度形式處理高維度數(shù)據(jù)烂瘫。

例：創(chuàng)建一個(gè)Series，并用一個(gè)由列表或數(shù)組組成的列表作為索引：

In [80]: data = Series(np.random.randn(10), index=[['a','a','a','b','b','b','c','c','d','d’], [1,2,3,1,2,3,1,2,2,3]])

In [81]: data
Out[81]: 
a  1    0.659838
   2   -0.530732
   3    0.862788
b  1   -0.678278
   2    1.189240
   3    0.167645
c  1    1.740861
   2    0.144723
d  2    1.153850
   3    0.686639
dtype: float64

這就是帶有MultiIndex索引的Series的格式化輸出形式帽哑；索引之間的“間隔”表示“直接使用上面的標(biāo)簽”：

In [82]: data.index
Out[82]: 
MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],
           labels=[[0, 0, 0, 1, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 1, 2, 0, 1, 1, 2]])

對(duì)于一個(gè)層次化索引對(duì)象選取子集：

In [83]: data['b']
Out[83]: 
1   -0.678278
2    1.189240
3    0.167645
dtype: float64

In [84]: data['b':'d']
Out[84]: 
b  1   -0.678278
   2    1.189240
   3    0.167645
c  1    1.740861
   2    0.144723
d  2    1.153850
   3    0.686639
dtype: float64

有時(shí)甚至還可以在“內(nèi)層”中進(jìn)行選让站啤：

In [85]: data[:,2]
Out[85]: 
a   -0.530732
b    1.189240
c    0.144723
d    1.153850
dtype: float64

層次化索引在數(shù)據(jù)重塑和基于分組的操作（如透視表生成）中扮演著重要的角色。

比如說(shuō)祝拯，這段數(shù)據(jù)可以通過(guò)unstack方法被重新安排到一個(gè)DataFrame中：

In [86]: data.unstack()
Out[86]: 
          1         2         3
a  0.659838 -0.530732  0.862788
b -0.678278  1.189240  0.167645
c  1.740861  0.144723       NaN
d       NaN  1.153850  0.686639

unstack的逆運(yùn)算是stack：

對(duì)于DataFrame甚带，每條軸都可以有分層索引：

In [88]: frame = DataFrame(np.arange(12).reshape((4,3)), index=[['a','a','b','b'], [1,2,1,2]], columns=[['Ohio','Ohio','Colorado'],['Green','Red','Green']])

In [89]: frame
Out[89]: 
     Ohio     Colorado
    Green Red    Green
a 1     0   1        2
  2     3   4        5
b 1     6   7        8
  2     9  10       11

各層都可以有名字（可以是字符串，也可以是別的Python對(duì)象）佳头。如果指定了名稱鹰贵，它們就會(huì)顯示在控制臺(tái)輸出中（注意區(qū)別索引名稱跟軸標(biāo)簽！）：

In [90]: frame.index.names = ['key1', 'key2']
In [93]: frame.columns.names = ['state', 'color']

In [94]: frame
Out[94]: 
state      Ohio     Colorado
color     Green Red    Green
key1 key2                   
a    1        0   1        2
     2        3   4        5
b    1        6   7        8
     2        9  10       11

由于有了分部的列索引康嘉，因此可以輕松選取列分組：

In [95]: frame['Ohio']
Out[95]: 
color      Green  Red
key1 key2            
a    1         0    1
     2         3    4
b    1         6    7
     2         9   10

可以單獨(dú)創(chuàng)建MultiIndex然后復(fù)用：

columns = pd.MultiIndex.from_arrays([['Ohio','Ohio','Colorado'],['Green','Red','Green'] ...: ], names=['state','color'])

重新分級(jí)排序：

重新調(diào)整某條軸上各級(jí)別的順序碉输，或根據(jù)指定級(jí)別上的值對(duì)數(shù)據(jù)進(jìn)行排序。

swaplevel接受兩個(gè)編號(hào)或名稱亭珍，并返回一個(gè)互換了級(jí)別的新對(duì)象：

In [102]: frame.swaplevel('key1', 'key2')
Out[102]: 
state      Ohio     Colorado
color     Green Red    Green
key2 key1                   
1    a        0   1        2
2    a        3   4        5
1    b        6   7        8
2    b        9  10       11

sort_index則根據(jù)單個(gè)級(jí)別中的值對(duì)數(shù)據(jù)進(jìn)行排序（穩(wěn)定的）：

In [103]: frame.sortlevel(1)
/Users/suhang/anaconda3/bin/ipython:1: FutureWarning: sortlevel is deprecated, use sort_index(level= ...)
  #!/Users/suhang/anaconda3/bin/python
Out[103]: 
state      Ohio     Colorado
color     Green Red    Green
key1 key2                   
a    1        0   1        2
b    1        6   7        8
a    2        3   4        5
b    2        9  10       11

In [104]: frame.swaplevel(0,1).sort_index(0)
Out[104]: 
state      Ohio     Colorado
color     Green Red    Green
key2 key1                   
1    a        0   1        2
     b        6   7        8
2    a        3   4        5
     b        9  10       11

根據(jù)級(jí)別匯總統(tǒng)計(jì)：

許多對(duì)DataFrame和Series的描述和匯總統(tǒng)計(jì)都有一個(gè)level選項(xiàng)敷钾，它用于指定在某條軸上求和的級(jí)別枝哄。

In [105]: frame
Out[105]: 
state      Ohio     Colorado
color     Green Red    Green
key1 key2                   
a    1        0   1        2
     2        3   4        5
b    1        6   7        8
     2        9  10       11

根據(jù)行或列上的級(jí)別進(jìn)行求和：

In [107]: frame.sum(level='key2')
Out[107]: 
state  Ohio     Colorado
color Green Red    Green
key2                    
1         6   8       10
2        12  14       16

In [110]: frame.sum(level='color', axis=1)
Out[110]: 
color      Green  Red
key1 key2            
a    1         2    1
     2         8    4
b    1        14    7
     2        20   10

其實(shí)就是利用了pandas的groupby功能，稍后講阻荒。

使用DataFrame的列：

人們經(jīng)常想將DataFrame的一個(gè)或多個(gè)列當(dāng)做行索引來(lái)用挠锥，或者將行索引變成DataFrame的列：

In [111]: frame = DataFrame({'a':range(7), 'b':range(7,0,-1), 'c':['one', 'one', 'one', 'two', 'two', 'two', 'two'], 'd':[0,1,2,0,1,2,3]})

In [112]: frame
Out[112]: 
   a  b    c  d
0  0  7  one  0
1  1  6  one  1
2  2  5  one  2
3  3  4  two  0
4  4  3  two  1
5  5  2  two  2
6  6  1  two  3

set_index函數(shù)會(huì)將其一個(gè)或多個(gè)列轉(zhuǎn)換為行索引，并創(chuàng)建一個(gè)新的DataFrame：

In [113]: frame2 = frame.set_index(['c','d'])

In [114]: frame2
Out[114]: 
       a  b
c   d      
one 0  0  7
    1  1  6
    2  2  5
two 0  3  4
    1  4  3
    2  5  2
    3  6  1

默認(rèn)情況下侨赡，那些列會(huì)被移除蓖租，也可以保留下來(lái)，drop=False：

In [115]: frame.set_index(['c','d'], drop=False)
Out[115]: 
       a  b    c  d
c   d              
one 0  0  7  one  0
    1  1  6  one  1
    2  2  5  one  2
two 0  3  4  two  0
    1  4  3  two  1
    2  5  2  two  2
    3  6  1  two  3

reset_index的功能跟set_index相反羊壹，層次化索引的級(jí)別會(huì)被移到列里面：

In [116]: frame2.reset_index()
Out[116]: 
     c  d  a  b
0  one  0  0  7
1  one  1  1  6
2  one  2  2  5
3  two  0  3  4
4  two  1  4  3
5  two  2  5  2
6  two  3  6  1