pandas 整数索引进阶：摆脱 python 内置索引的束缚

在数据分析领域，pandas 库是处理数据框和时间序列的利器。在上一章中，我们介绍了 pandas 的基础知识，包括如何创建和索引数据框。本篇将深入探讨 pandas 中的索引，特别是「" 整数索引「" 的进阶用法。

乍看之下，使用数字对数据框进行索引似乎没什么问题。然而，需要注意的是，pandas 的「 "** 整数索引「** "** 并不是一个简单的 python 列表或元组，它有着自己的特点和限制。了解这些特性将极大地提升我们对 pandas 索引的理解和使用。

" "** 索引的特殊性 ** ""

与 python 内置列表或元组不同，pandas 中的索引拥有以下特点：

• 不可变性： 一旦创建，索引对象就不可更改。这与 python 列表或元组的可变性形成了鲜明对比。
• 唯一性： 索引中不能包含重复的元素。这确保了索引的唯一性，在查找和选择数据时至关重要。
• 有序性： 索引中的元素按其创建或添加的先后次序排列。这意味着可以通过索引位置对数据框中的行进行排序和切片。

" "** 超越内置索引 ** ""

理解了 pandas 整数索引的特殊性后，让我们进一步探索它如何超越 python 内置索引的局限性：

• 根据位置选择数据： 使用基于位置的索引，可以快速轻松地选择数据框中的特定行或列。
• 高效的切片： pandas 的切片操作是针对索引进行的，可以高效地提取数据框的一部分。
• 行重索引： 可以使用新的索引对现有行进行索引，从而创建多级索引。这在处理复杂和分层数据时非常有用。
• 连接和合并： 索引是连接和合并不同数据框时的关键，确保数据在正确的位置对齐。

" "** 实例详解 ** ""

为了加深理解，我们以一个示例来说明如何在实际应用中使用 pandas 的 INTEGER 索引：

import pandas as pd

# 创建一个带有 INTEGER 索引的数据框
df = pd.DataFrame({'Name': ['Alice', 'Bob', 'Carol'], 'Age': [20, 25, 30]})

# 使用位置索引选择行
print(df.loc[0])  # 输出：Name: Alice, Age: 20

# 使用切片获取部分行
print(df.loc[1:3])  # 输出：   Name  Age
#     1   Bob  25
#     2   Carol  30

# 使用新的索引对行进行重索引
new_index = ['A', 'B', 'C']
df.reindex(new_index)  # 输出：   Name  Age
#     A   Alice  20
#     B   Bob   25
#     C   Carol  30

" "** 总结 ** ""

掌握 pandas 中的 INTEGER 索引至关重要，因为它提供了一种高效且灵活的方法来索引和操纵数据框。了解它的特殊性和超越 python 内置索引的功能将极大地提升数据分析工作流程的效率和可读性。在后续的文章中，我们将进一步探讨 pandas 的其他高级索引技术，以帮助您充分利用这个强大的数据处理工具。