MultiIndex v pandách pro víceúrovňová nebo hierarchická data

MultiIndex v Pandas je víceúrovňový nebo hierarchický objekt, který vám umožňuje vybrat více než jeden řádek a sloupec v indexu. Umožňuje také vytvářet sofistikované analýzy a manipulace s daty, zejména pro práci s daty vyšších rozměrů. V tomto tutoriálu se chystám prozkoumat funkci MultiIndex Pandas. Celé video tohoto tutoriálu si můžete prohlédnout ve spodní části tohoto blogu.

Myšlenka je taková, že máme index, který také obsahuje hierarchii. Pokud jste Pandy dříve používali, víte to, takže k tomu přidáme další vrstvy. To usnadní indexování i přetváření dat v závislosti na tom, zda skutečně máte pro svá data hierarchii.

Jako jeden příklad použijeme slavnou datovou sadu Gapminder, a to je zde skutečně MultiIndex. Máme hierarchii, takže kontinent vrtá do zemí a každá země se může vrtat do několika let. S tímto indexem tedy můžeme manipulovat a při používání tohoto MultiIndexu bude mnohem jednodušší kódovat. Podíváme se na dělení a také přetvoření datové sady Gapminder.

Obsah

• Jak používat MultiIndex v Pandas
• Závěr

Jak používat MultiIndex v Pandas

Budeme používat datovou sadu Gapminder. Pokud toto nemáte nainstalované, chcete provést instalaci PIP Gapminder. Přivedu i pandy. Používám distribuci Anaconda Pythonu. V takovém případě budou tyto Pandy již nainstalovány. Provedeme import Gapminderu a poté se na tato data podíváme.

Jak můžete vidět zde, opět tu máme index nebo hierarchii. Řekl bych, že máme kontinent, zemi a pak rok. V současné době je index pouze číselný, jako je tento, a právě teď si nastavíme vlastní index. A způsob, jakým to uděláme, je s Gapminderem. Nastavíme index. Nastavíme jej na kontinent, zemi a pak rok, inplace se rovná ( = ) true .

Toto je jen uložení výsledků, takže proměnnou nemusíme volat dvakrát, jen trochu efektivněji. A nyní uvidíte, že zde máme index (obsah, země, rok) a toto je náš multiindex.

Pár věcí, které bychom tu mohli udělat. Řekněme, že jsem například chtěl všechno na evropském kontinentu. Chci filtrovat nebo rozdělit tento datový rámec. Mohu použít gapminder.loc , a pak psát v Evropě. Možná znáte loc. Z jiných okolností v Pandas to funguje mnohem snadněji, když to děláme podle indexu.

Nyní toto existuje v hierarchii. Řekněme, že jsme chtěli data pouze ze Spojeného království. Zdá se, že bychom to byli schopni jen rozdělit, ale to bude problém, protože když to indexujeme, zůstáváme u používání hierarchie. Musíme začít s první úrovní a pak přejít na druhou a třetí a tak dále.

Pokud bych chtěl zahrnout více úrovní, mohu to předat zde. Budu dělat Evropu a pak Spojené království. Mohl bych jít ještě o krok dále a uvést rok 1997. A nyní můžeme vidět výsledek tohoto sporu v tomto případě.

Další pěkná věc s MultiIndexem v Pandas je, že je mnohem snazší přetvořit data. Mohu udělat gapminder_pivot a pak gapminder.unstack . Pokud potřebuji z nějakého důvodu přetvořit tuto datovou sadu, vytisknu to a uvidíte, že nyní spolu se sloupci máme kontinent, zemi a rok.

Nyní řekněme, že jsem to chtěl udělat opačným směrem. Vše, co bych potřeboval udělat, je unpivot a uděláme gapminder_pivot . Pokud to bylo rozbalení, pak se jedná o skládání gapminder_unpivot.

Co když se chci tohoto indexu zbavit, resetovat ho a změnit na něco jiného? Vše, co v tom případě musím udělat, je gapminder_unpivot. Jdeme na reset_index . Uděláme to znovu . Nemusíme na sobě šetřit. Jen je to trochu efektivnější. Potom gapminder_unpivot.

Vytiskněte si to a jsme zpět k našim původním datům a máme index. Číselný začátek je na nule, protože Python je indexování založené na nule.

Závěr

Pandy byly původně pojmenovány podle údajů panelu. Je to skutečně určeno pro práci s panelovými daty, což je specifický typ dat časové řady s více kategoriemi. V tom případě má hierarchie opravdu smysl, ne?

Funguje to opravdu dobře, pokud pracujete s jedinečnými řádky a snažíte se najít více sloupců.

Pokud jde o výkon, může se stát, že index není nutný, pokud slučujete, ale zde jsme se neslučovali. Právě jsme provozovali, přistupovali, indexovali, přetvářeli atd. Efektivita kódování je však rozhodně velkým přínosem.

Takže to je vše pro MultiIndex v Pandas. Doufám, že to je něco, co můžete použít. Dnes jste se dozvěděli něco nového o Pandách.

Vše nejlepší!