为什么要使用分层索引MultiIndex

• 分层索引：在一个轴向上拥有多个索引层级，可以表达更高维度数据的形式。
• 可以更方便的进行数据筛选，如果索引有序则性能更好。
• groupby等操作的结果，如果是根据多个key分组，结果是分层索引。

实例

数据准备

数据来源于 英为财情：https://cn.investing.com/

例如，搜索京东的股票：

点击进入：

找到下面的 历史数据，然后点击：

就可以将数据拷贝到excel中。
找了4个公司的股票，每个公司3天，增加 公司 这列，汇总到一起，最后excel文件中的内容如下：

读取excel中的数据，转换为DataFrame：

import pandas as pd

stock_df = pd.read_excel('./data/几家公司几天的股票.xlsx')

查看DataFrame:

查看数据的形状：

查看包含哪些公司：

查看数据的索引：

对公司进行分组，然后看收盘的平均值：

Series的分层索引MultiIndex

按照公司、日期进行分组聚合：

ser = stock_df.groupby(['公司', '日期'])['收盘'].mean()

查看返回值的类型，是一个Series：

查看Series的内容：

上面结果中，公司和日期构成了多维索引。在多维索引中，空白的意思表示使用上面的值。例如BABA下面两行公司的地方是空白，表示使用BABA。

查看下Series的索引：

unstack把第二级索引变成列：

重新查看下ser：

把索引变成列：

当Series有多层索引MultiIndex时，如何筛选数据

先看看Series：

筛选某个公司的数据：

用多层索引筛选数据，可以用元组的形式筛选：

如果只筛选第二级索引，可以把第一级索引写成冒号（: 表示全部）：

DataFrame的多层索引MultiIndex

先看下原始的DataFrame：

设置分层索引：

stock_df.set_index(['公司', '日期'], inplace=True)

查看结果：

查看下索引：

将索引排序：

# 将索引排序
stock_df.sort_index(inplace=True)

查看下结果：

当DataFrame有多层索引MultiIndex时，如何筛选数据

注意，在选择数据时：

• 元组 (key1, key2) 代表筛选多层索引，其中key1是索引的第一级，key2是索引的第二级，例如key1传入公司名称，key2传入日期。
• 列表 [key1, key2] 代表筛选同一个层级的多个key，其中key1和key2是并列的同级索引，例如key1传入公司1的名称，key2传入公司2的名称。

先看下DataFrame：

筛选第一层索引：

根据多级索引查询：

根据多级索引查询，只查询一列：

根据第一级索引的多个值筛选：

第一级索引传入多个值，第二级索引传入1个值，筛选所有列：

第一级索引传入多个值，第二级索引传入1个值，筛选1列：

第一级索引传入1个值，第二级索引传入多个值，筛选1列：

slice(None)代表这一索引的所有内容：

reset_index()把多级索引变为列：