區別 |python-pandas庫set_index、reset_index用法區別

 

 

1、set_index()

• 作用：DataFrame可以通過set_index方法，將普通列設置為單索引/復合索引。
• 格式：DataFrame.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 
• 參數含義：
  • keys：列標簽或列標簽/數組列表，需要設置為索引的普通列
  • drop：是否刪除原普通列，默認為True，刪除用作新索引的原普通列；
  • append：是否變成復合索引，默認為False，即覆蓋原索引，單索引；
  • inplace：默認為False，適當修改DataFrame(不要創建新對象)；
  • verify_integrity：默認為false，檢查新索引的副本。否則，請將檢查推遲到必要時進行。將其設置為false將提高該方法的性能。

 案例1：drop的使用

# drop的使用：
import pandas as pd
df = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3','A4'],
                     'B': ['B0', 'B1', 'B2', 'B3','B4'],
                     'C': ['C0', 'C1', 'C2', 'C3','C4'],
                     'D': ['D0', 'D1', 'D2', 'D3','D4']})
print ('輸出結果:\n',df)
print('------')

df_drop_t = df.set_index('A',drop=True) # drop默認True，普通列被用作索引后，原列刪除
print (df_drop_t)
print('------')

df_drop_f = df.set_index('A',drop=False) # 普通列被用作索引后，原列保留
print (df_drop_f)

'''
輸出結果:
     A   B   C   D
0  A0  B0  C0  D0
1  A1  B1  C1  D1
2  A2  B2  C2  D2
3  A3  B3  C3  D3
4  A4  B4  C4  D4
------
     B   C   D
A             
A0  B0  C0  D0
A1  B1  C1  D1
A2  B2  C2  D2
A3  B3  C3  D3
A4  B4  C4  D4
------
     A   B   C   D
A                 
A0  A0  B0  C0  D0
A1  A1  B1  C1  D1
A2  A2  B2  C2  D2
A3  A3  B3  C3  D3
A4  A4  B4  C4  D4
'''

 

案例2：append的使用

# append的使用
 
import pandas as pd
df = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3','A4'],
                     'B': ['B0', 'B1', 'B2', 'B3','B4'],
                     'C': ['C0', 'C1', 'C2', 'C3','C4'],
                     'D': ['D0', 'D1', 'D2', 'D3','D4']})

print ('輸出結果:\n',df)
print('------')

df_append_f = df.set_index('A', append=False) # append默認為False，普通列變為索引，並覆蓋原索引，原索引被刪除
print (df_append_f)

df_append_t = df.set_index('A', append=True) #  表示將普通列變為索引，原索引保留，變成了復合索引
print (df_append_t)
print('------')

'''
輸出結果:
     A   B   C   D
0  A0  B0  C0  D0
1  A1  B1  C1  D1
2  A2  B2  C2  D2
3  A3  B3  C3  D3
4  A4  B4  C4  D4
------
     B   C   D
A             
A0  B0  C0  D0
A1  B1  C1  D1
A2  B2  C2  D2
A3  B3  C3  D3
A4  B4  C4  D4
------
       B   C   D
  A             
0 A0  B0  C0  D0
1 A1  B1  C1  D1
2 A2  B2  C2  D2
3 A3  B3  C3  D3
4 A4  B4  C4  D4

'''

 

案例3：Inplace的使用

# inplace的使用，這里我也沒搞懂為啥輸出None
 
df = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3','A4'],
                     'B': ['B0', 'B1', 'B2', 'B3','B4'],
                     'C': ['C0', 'C1', 'C2', 'C3','C4'],
                     'D': ['D0', 'D1', 'D2', 'D3','D4']})
df_inplace_f = df.set_index('A', inplace=False) # inpla默認為False，表示適當修改DataFrame(不要創建新對象)
print ('輸出結果：\n',df_inplace_f)
print('------')
    
    
df1 = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3','A4'],
                     'B': ['B0', 'B1', 'B2', 'B3','B4'],
                     'C': ['C0', 'C1', 'C2', 'C3','C4'],
                     'D': ['D0', 'D1', 'D2', 'D3','D4']})

df_inplace_t = df1.set_index('A',inplace=True) # 表示原地不動
print (df_inplace_t)
print (type(df_inplace_t))


'''
輸出結果：
      B   C   D
A             
A0  B0  C0  D0
A1  B1  C1  D1
A2  B2  C2  D2
A3  B3  C3  D3
A4  B4  C4  D4
------
None
<class 'NoneType'>

'''

 

 

 

 

2、reset_index()

• 作用：reset_index可以還原索引為普通列，重新變為默認的整型索引
  • （注：reset_index還原分為兩種類型，第一種是對原DataFrame進行reset，第二種是對使用過set_index()函數的DataFrame進行reset）
• 格式：DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=”) 
• 參數含義：
  • level：int、str、tuple或list，默認無，僅從索引中刪除給定級別。默認情況下移除所有級別。控制了具體要還原的那個等級的索引 
  • drop：索引被還原成普通列后，是否刪掉列。默認為False，為False時則索引列會被還原為普通列，否則被還原后的的列又會被瞬間刪掉；
  • inplace：默認為false，適當修改DataFrame(不要創建新對象)；
  • col_level：int或str，默認值為0，如果列有多個級別，則確定將標簽插入到哪個級別。默認情況下，它將插入到第一級；
  • col_fill：對象，默認‘’，如果列有多個級別，則確定其他級別的命名方式。如果沒有，則重復索引名；
• 情況（1）：對原DataFrame進行reset

# 一般情況下參數只使用到drop，這里只演示drop的使用
import pandas as pd
df = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3','A4'],
                     'B': ['B0', 'B1', 'B2', 'B3','B4'],
                     'C': ['C0', 'C1', 'C2', 'C3','C4'],
                     'D': ['D0', 'D1', 'D2', 'D3','D4']})
print ('輸出結果\ndf:\n',df)
print('------')

df1 = df.reset_index(drop=False) # 默認為False，原有的索引不變,添加一列，列名index；
print (df1)
print('------')

df2 = df.reset_index(drop=True) # 索引被還原為普通列，瞬間又被刪掉了，同時在原位置重置原始索引012...；
print (df2)

'''
輸出結果
df:
     A   B   C   D
0  A0  B0  C0  D0
1  A1  B1  C1  D1
2  A2  B2  C2  D2
3  A3  B3  C3  D3
4  A4  B4  C4  D4
------
   index   A   B   C   D
0      0  A0  B0  C0  D0
1      1  A1  B1  C1  D1
2      2  A2  B2  C2  D2
3      3  A3  B3  C3  D3
4      4  A4  B4  C4  D4
------
    A   B   C   D
0  A0  B0  C0  D0
1  A1  B1  C1  D1
2  A2  B2  C2  D2
3  A3  B3  C3  D3
4  A4  B4  C4  D4
'''

 

• 情況（2）對使用過set_index()函數的DataFrame進行reset

# 一般情況下參數只使用到drop，這里只演示drop的使用
import pandas as pd
df = pd.DataFrame({ 'A': ['A0', 'A1', 'A2', 'A3','A4'],
                     'B': ['B0', 'B1', 'B2', 'B3','B4'],
                     'C': ['C0', 'C1', 'C2', 'C3','C4'],
                     'D': ['D0', 'D1', 'D2', 'D3','D4']})
print ('輸出結果：\ndf:\n' ,df)
print('------')
newdf = df.set_index('A') # 這里的drop必需為True（默認為這里的drop必需為True），否則會報錯ValueError: cannot insert A, already exists（意思是...只可意會不可言傳哈哈）
print (newdf)
print('------')

newdf1 = newdf.reset_index(drop=False) #索引列會被還原為普通列
print (newdf1)
print('------')

newdf2 = newdf.reset_index(drop=True) #索引被還原為普通列，瞬間又被刪掉了，同時在原位置重置原始索引；
print (newdf2)

'''
輸出結果：
df:
     A   B   C   D
0  A0  B0  C0  D0
1  A1  B1  C1  D1
2  A2  B2  C2  D2
3  A3  B3  C3  D3
4  A4  B4  C4  D4
------
     B   C   D
A             
A0  B0  C0  D0
A1  B1  C1  D1
A2  B2  C2  D2
A3  B3  C3  D3
A4  B4  C4  D4
------
    A   B   C   D
0  A0  B0  C0  D0
1  A1  B1  C1  D1
2  A2  B2  C2  D2
3  A3  B3  C3  D3
4  A4  B4  C4  D4
------
    B   C   D
0  B0  C0  D0
1  B1  C1  D1
2  B2  C2  D2
3  B3  C3  D3
4  B4  C4  D4
'''