这篇文章将为大家详细讲解有关Pandas常用的索引方式有哪些，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

创新互联公司坚持“要么做到，要么别承诺”的工作理念，服务领域包括：网站设计制作、网站设计、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的积石山保安族东乡族网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！

序言

结合场景详细介绍两种常用的索引方式：

第一种是基于位置（整数）的索引，案例短平快，有个粗略的了解即可，实际中偶有用到，但它的应用范围不如第二种广泛。

第二种是基于名称（标签）的索引，这是要敲黑板练的重点，因为它将是我们后面进行数据清洗和分析的重要基石。

首先，简单介绍一下练习的案例数据：

流量来源	来源明细	访客数	支付转化率	客单价
一级	-A	35188	9.98%	54.3
一级	-B	28467	11.27%	99.93
一级	-C	13747	2.54%	0.08
一级	-D	5183	2.47%	37.15
一级	-E	4361	4.31%	91.73
一级	-F	4063	11.57%	65.09
一级	-G	2122	10.27%	86.45
一级	-H	2041	7.06%	44.07
一级	-I	1991	16.52%	104.57
一级	-J	1981	5.75%	75.93
一级	-K	1958	14.71%	85.03
一级	-L	1780	13.15%	98.87
一级	-M	1447	1.04%	80.07
二级	-A	39048	11.60%	91.91
二级	-B	3316	7.09%	66.28
二级	-C	2043	5.04%	41.91
三级	-A	23140	9.69%	83.75
三级	-B	14813	20.14%	82.97
四级	-A	216	1.85%	94.25
四级	-B	31	0.00%
四级	-C	17	0.00%
四级	-D	3	0.00%

和第一篇数据集一样，记录着不同流量来源下，各渠道来源明细所对应的访客数、支付转化率和客单价。数据集虽然简短（复杂的案例数据集在基础篇完结后会如约而至），但是有足够的代表性，下面开始我们索引的表演。

1. 基于位置（数字）的索引

先看一下索引的操作方式：

df.iloc[行索引,列索引]
第一个位置是行索引，输入我们要取哪几行位置的参数
第二个位置是列索引，输入我们要取哪几列的位置参数

我们需要根据实际情况，填入对应的行参数和列参数。

场景一（行选取）

目标：选择流量来源等于一级的所有行。

思路：手指戳屏幕数一数，一级的渠道，是从第1行到第13行，对应行索引是0-12，但Python切片默认是含首不含尾的，要想选取0-12的索引行，我们得输入0:13，列想要全部选取，则输入冒号：即可。

场景二（列选取）

目标：我们想要把所有渠道的流量来源和客单价单拎出来看一看。
思路：所有流量渠道，也就是所有行，在第一个行参数的位置我们输入：；再看列，流量来源是第1列，客单价是第5列，对应的列索引分别是0和4：

值得注意的是，如果我们要跨列选取，得先把位置参数构造成列表形式，这里就是[0,4]，如果是连续选取，则无需构造成列表，直接输入0:5（选取索引为0的列到索引为4的列）就好。

场景三（行列交叉选取）

目标：我们想要看一看二级、三级流量来源、来源明细对应的访客和支付转化率

思路：先看行，二级三级渠道对应行索引是13:17，再次强调索引含首不含尾的原则，我们传入的行参数是13:18；列的话我们需要流量来源、来源明细、访客和转化，也就是前4列，传入参数0:4。

2. 基于名称（标签）的索引

为了建立起横向对比的体感，我们依然沿用上面三个场景。

场景一：选择一级渠道的所有行。

思路：这次我们不用一个个数位置了，要筛选流量渠道为一级的所有行，只需做一个判断，判断流量来源这一列，哪些值等于一级。
返回的结果由True和False（布尔型）构成，在这个例子中分别代表结果等于一级和非一级。在loc方法中，我们可以把这一列判断得到的值传入行参数位置，Pandas会默认返回结果为True的行（这里是索引从0到12的行），而丢掉结果为False的行，直接上例子：

场景二：我们想要把所有渠道的流量来源和客单价单拎出来看一看。

思路：所有渠道等于所有行，我们在行参数位置直接输入:，要提取流量来源和客单价列，直接输入名称到列参数位置，由于这里涉及到两列，所以得用列表包起来：

场景三：我们想要提取二级、三级流量来源、来源明细对应的访客和支付转化率。

思路：行提取用判断，列提取输入具体名称参数。

df2.loc[df2['流量来源'].isin(['二级','三级']),['流量来源','来源明细','访客数','支付转化率']]

此处插播一条isin函数的广告，这个函数能够帮助我们快速判断源数据中某一列（Series）的值是否等于列表中的值。拿案例来说，df[‘流量来源’].isin([‘二级’,‘三级’])，判断的是流量来源这一列的值，是否等于“二级”或者“三级”，如果等于（等于任意一个）就返回True，否则返回False。我们再把这个布尔型判断结果传入行参数，就能够很容易的得到流量来源等于二级或者三级的渠道。

既然loc的应用场景更加广泛，应该给他加个鸡腿，再来个接地气的场景练练手。
插入场景之前，我们先花30秒的时间捋一捋Pandas中列（Series）向求值的用法，具体操作如下：

df2['访客数'].mean()df2['访客数'].std()df2['访客数'].median()df2['访客数'].max()df2['访客数'].min()

只需要加个尾巴，均值、标准差等统计数值就出来了，了解完这个，下面正式进入场景四。

场景四：对于流量渠道数据，我们真正应该关注的是优质渠道，假如这里我们定义访客数、转化率、客单价都高于平均值渠道是优质渠道，那怎么找到这些渠道呢？

思路：优质渠道，得同时满足访客、转化、客单高于平均值这三个条件，这是解题的关键。先看看均值各是多少：

再判断各指标列是否大于均值：

df2['访客数'] > df2['访客数'].mean()df2['支付转化率']> df2['支付转化率'].mean()df2['客单价'] > df2['客单价'].mean()

要三个条件同时满足，他们之间是一个“且”的关系（同时满足），在pandas中，要表示同时满足，各条件之间要用&符号连接，条件内部最好用括号区分；如果是或的关系（满足一个即可），则用|符号连接：

(df2['访客数'] > df2['访客数'].mean())&(df2['支付转化率']> df2['支付转化率'].mean())&(df2['客单价'] > df2['客单价'].mean())

这样连接之后，返回True则表示该渠道同时满足访客、转化率、客单价都高于均值的条件，接下来我们只需要把这些值传入到行参数的位置。

df2.loc[(df2['访客数'] > df2['访客数'].mean())&(df2['支付转化率']> df2['支付转化率'].mean())&(df2['客单价'] > df2['客单价'].mean()),:]

到这一步，我们直接筛选出了4条关键指标都高于均值的优质渠道。

3. 数字位置跟名称位置的混合使用

用的是pandas.ix[行,列]，不过新版pandas已经不建议使用改方法了，还是建议使用要不1要不2。

关于“Pandas常用的索引方式有哪些”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。

分享标题：Pandas常用的索引方式有哪些
文章来源：http://myzitong.com/article/ghpcdj.html