在Pandas中将索引转换为MultiIndex(层次索引)

时间:2013-07-23 19:16:08

标签: python pandas

在我使用的数据中,索引是复合的 - 即它同时具有项目名称和时间戳,例如name@domain.com|2013-05-07 05:52:51 +0200

我想进行分层索引,以便将相同的电子邮件组合在一起,因此我需要将DataFrame索引转换为MultiIndex(例如,对于上面的条目 - (name@domain.com, 2013-05-07 05:52:51 +0200))。

最方便的方法是什么?

3 个答案:

答案 0 :(得分:9)

我们有一个DataFrame

import pandas as pd
df = pd.read_csv("input.csv", index_col=0)  # or from another source

和一个函数将每个索引映射到一个元组(下面,它是来自这个问题的例子)

def process_index(k):
    return tuple(k.split("|"))

我们可以通过以下方式创建分层索引:

df.index = pd.MultiIndex.from_tuples([process_index(k) for k,v in df.iterrows()])

另一种方法是创建两列然后将它们设置为索引(原始索引将被删除):

df['e-mail'] = [x.split("|")[0] for x in df.index] 
df['date'] = [x.split("|")[1] for x in df.index]
df = df.set_index(['e-mail', 'date'])

甚至更短

df['e-mail'], df['date'] = zip(*map(process_index, df.index))
df = df.set_index(['e-mail', 'date'])

答案 1 :(得分:5)

pandas>=0.16.0中,我们可以在索引上使用.str访问器。这使得以下成为可能:

df.index = pd.MultiIndex.from_tuples(df.index.str.split('|').tolist())

(注意:我尝试的更直观:pd.MultiIndex.from_arrays(df.index.str.split('|'))但由于某种原因,这会给我带来错误。)

答案 2 :(得分:2)

我的偏好是最初将其作为列(即不作为索引)读取,然后您可以使用str split方法:

csv = '\n'.join(['name@domain.com|2013-05-07 05:52:51 +0200, 42'] * 3)
df = pd.read_csv(StringIO(csv), header=None)

In [13]: df[0].str.split('|')
Out[13]:
0    [name@domain.com, 2013-05-07 05:52:51 +0200]
1    [name@domain.com, 2013-05-07 05:52:51 +0200]
2    [name@domain.com, 2013-05-07 05:52:51 +0200]
Name: 0, dtype: object

然后将其输入MultiIndex(也许这可以做得更清洁?):

m = pd.MultiIndex.from_arrays(zip(*df[0].str.split('|')))

删除第0列并将索引设置为新的MultiIndex:

del df[0]
df.index = m

In [17]: df
Out[17]:
                                            1
name@domain.com 2013-05-07 05:52:51 +0200  42
                2013-05-07 05:52:51 +0200  42
                2013-05-07 05:52:51 +0200  42