层次化索引
--------------------------------------------------------------------------------
import numpy as np
import pandas as pd

ser = pd.Series(np.random.randn(9), index=[
    ['a','a', 'a', 'b', 'b', 'c','c', 'd','d'],
    [ 1,  2,   3,   1,   3,   1,  2,   2,  3]
])


ser 输出：
a  1    0.174009
   2    0.412163
   3    0.105054
b  1   -0.104051
   3   -0.129592
c  1   -1.757513
   2   -0.189084
d  2    0.031062
   3    0.940769
dtype: float64

ser.index # 输出的是复合索引
ser.loc['a']   
ser['a']
ser['b':'c']    # 切片， 前闭后闭区间
ser['b',1]      # 先用b 索引，然后取b中索引是1的
ser[1]          # 不是对二层索引的使用，而是位置，所以这个是使用位置索引，取得全数据的第2条
ser[['a', 'c']] # 取出指定的索引 a c的所在数据
ser.loc[:, 1:2] # 取出二级索引[1,2] 的数据，前闭后闭，
                # 一会后闭，一会后开，好乱。应该是只要是位置就是后开，非位置的是后闭
                # 这里 1:2 切片不是位置，而是指定的索引，所以后闭
                # 经过测试，索引如果是数字的，那么 s[1:3]   是位置索引，
                # 如果想通过索引进行索引那就 s.loc[1:3]
                # ser22 = pd.Series(range(5), index=range(5))
                # ser22[1:3]       位置索引，前闭后开，得到2个值
                # ser22.loc[1:3] 非位置索引，前闭后闭，得到3个值

ser.loc[:, 1]   # 二级索引是 1 的数据

ser.unstack()   # 有二级索引，可以变成 dataFrame 类型啊， 空的补 NA
输出：
	1          	2	          3
a	0.174009	0.412163	0.105054
b	-0.104051	NaN	        -0.129592
c	-1.757513	-0.189084	NaN
d	NaN	        0.031062	0.940769


那么DataFrame 也能变成带有二级索引的 Series
frame = pd.DataFrame(np.arange(12).reshape(3,4), index=['r1', 'r2', 'r3'], columns=['c1', 'c2', 'c3', 'c4'])
frame.stack()
输出：
r1  c1     0
    c2     1
    c3     2
    c4     3
r2  c1     4
    c2     5
    c3     6
    c4     7
r3  c1     8
    c2     9
    c3    10
    c4    11
dtype: int32

--------------------------------------------------------------------------------
frame = pd.DataFrame(np.arange(16).reshape(4,4), 
    index=[
             ['s1','s1', 's2', 's2'],
             ['s1r1', 's1r2', 's2r1', 's2r2']
          ], 
    columns=[['c1', 'c1', 'c2', 'c2'], ['c11', 'c12', 'c21', 'c22']]  )
输出：
	   c1	         c2
           c11	  c12	 c21	 c22
s1  s1r1   0	   1	  2	   3
    s1r2   4	   5	  6	   7
s2  s2r1   8       9	  10	  11
    s2r2  12	  13	  14	  15
--------------------------------------------------------------------------------
使用 MultiIndex 创建外界可以公用的索引
multidx = pd.MultiIndex.from_arrays(
    [['Ohio', 'Ohio', 'Colorado'], ['Green','Red', 'Green']],
    names=['state', 'color'])  # names 参数好像没什么用啊
pd.DataFrame(np.arange(12).reshape(3,4), index=multidx)   # 创建时直接赋值
================================================================================
重排与分级排序
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
frame = pd.DataFrame(np.arange(16).reshape(4,4), 
                     index=[
    ['s1','s1', 's2', 's2'],
    ['s1r1', 's1r2', 's2r1', 's2r2']
    ], columns=[['c1', 'c1', 'c2', 'c2'], ['c11', 'c12', 'c21', 'c22']])
frame.swaplevel()             # 行上的索引，一级变成2级，二级的变一级
frame.swaplevel(axis=1)       # 列上的索引

frame.swaplevel() 的输出：
          c1	    c2
          c11	c12	c21	c22
s1r1	s1	0	1	2	3
s1r2	s1	4	5	6	7
s2r1	s2	8	9	10	11
s2r2	s2	12	13	14	15
--------------------------------------------------------------------------------
排序：
frame.sort_index(level=0, ascending=False, axis=1)
level 的取值 0,1,   0：一级索引排序   1:二级索引排序

frame.sum()：  忽略 行上的 级别，某列的全部行求和
输出：
c1  c11    24
    c12    28
c2  c21    32
    c22    36
dtype: int64

frame.sum(level=0)   # 不是全部的行，而是一级索引内的所有行
输出：
    c1	      c2
    c11	c12	c21	c22
s1	4	6	8	10
s2	20	22	24	26

frame.sum(level=1)   # 二级内的所有行，就像每个二级的行都是一组，组内求和
--------------------------------------------------------------------------------
frame.set_index() 函数的作用：frame数据加载完毕，索引有或者没有，现在想用frame
中的某一列(可以多列)作为索引，此时这一列不再是数据列，而变成了索引列。
如果set_index() 指定的是两列，那就变成有层次的复合索引了。
--------------------------------------------------------------------------------
frame = pd.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]
})

frame2 = frame.set_index(['c'])   # 只是 c 列作为索引，c列不再是数据列
输出：
	a	b	d
c			
one	0	7	0
one	1	6	1
one	2	5	2
two	3	4	0
two	4	3	1
two	5	2	2
two	6	1	3

frame2 = frame.set_index(['c','d'])   # c d 都作为索引，此时c变成1级索引，d变成二级了
输出： c，d 不是数据列了，变成了索引列，
	 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

如果还想保留c,d的值作为数据列，他们变成索引，也不要影响数据
frame2 = frame.set_index(['c','d'], drop=False)
输出：
	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
   
如果反向操作，把上面的索引变成数据列：
frame2.reset_index()   # 反向操作，注意，列不要重复，会报错的
frame2.reset_index(drop=False)
================================================================================

>> 目录 <<