Pandas DataFrame多级索引：将列转换为索引并调整层级

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

Pandas DataFrame多级索引：将列转换为索引并调整层级

2025-12-12

浏览次数：次

返回列表

Pandas DataFrame多级索引：将列转换为索引并调整层级

本教程详细讲解如何在pandas dataframe中将现有列提升为新的主索引，同时保留原索引作为次级索引，从而创建多级索引结构。我们将利用`set_index`方法的`append`参数来添加索引层级，并通过`swaplevel`函数调整索引顺序，以实现灵活的数据组织和访问。

在数据分析和处理中，Pandas DataFrame是不可或缺的工具。有时，为了更高效地组织和查询数据，我们需要将DataFrame中的某一列提升为索引，甚至创建多级索引（MultiIndex）。本教程将指导您如何将DataFrame中的一个普通列转换为主要索引，同时将原有的索引降级为次要索引，从而构建一个清晰、可操作的多级索引结构。

理解多级索引

多级索引（MultiIndex）允许您在DataFrame或Series上拥有多个索引层级。这在处理具有层次结构的数据时非常有用，例如按日期和地区、或按类别和子类别组织数据。它不仅提高了数据的可读性，还能在数据切片和聚合操作中提供强大的灵活性。

初始DataFrame结构

假设我们有一个Pandas DataFrame，其中包含时间戳作为其唯一索引，并有其他数据列，例如data、day_of_month和days_in_month。我们的目标是将days_in_month列提升为主要索引，而将timestamp索引降级为次要索引。

首先，我们创建一个示例DataFrame：

import pandas as pd

# 创建一个示例DataFrame
idx = pd.Index(['2025-01-03 09:00:00'], name='timestamp')
df = pd.DataFrame([[12, 3, 31]], index=idx, columns=['data', 'day_of_month', 'days_in_month'])

print("原始DataFrame:")
print(df)

输出结果如下：

原始DataFrame:
                     data  day_of_month  days_in_month
timestamp                                             
2025-01-03 09:00:00    12             3             31

可以看到，timestamp是当前的索引，days_in_month是一个普通的数据列。

将列转换为多级索引并调整层级

要实现将days_in_month列作为主索引，同时保留timestamp作为次级索引，我们需要结合使用set_index和swaplevel两个方法。

步骤一：添加新索引层级

使用set_index()方法，并设置append=True参数，可以将指定列作为新的索引层级添加到现有索引的末尾。

Anakin

一站式 AI 应用聚合平台，无代码的AI应用程序构建器

317 查看详情 Anakin

# 将'days_in_month'列添加为新的索引层级，并追加到现有索引之后
df_temp = df.set_index('days_in_month', append=True)

print("\n添加'days_in_month'为次级索引后的DataFrame:")
print(df_temp)

输出结果：

添加'days_in_month'为次级索引后的DataFrame:
                                   data  day_of_month
timestamp           days_in_month                    
2025-01-03 09:00:00 31                   12             3

此时，我们已经成功创建了一个多级索引。timestamp是第一层索引（级别0），days_in_month是第二层索引（级别1）。

步骤二：调整索引层级顺序

为了让days_in_month成为主索引（即级别0），而timestamp成为次级索引（即级别1），我们需要交换这两个索引层级的位置。swaplevel()方法可以实现这一功能，它接受两个参数，分别是要交换的索引层级的名称或位置。

# 交换索引层级0和层级1的位置
out = df_temp.swaplevel(0, 1)

print("\n交换索引层级后的最终DataFrame:")
print(out)

输出结果：

交换索引层级后的最终DataFrame:
                                   data  day_of_month
days_in_month timestamp                                       
31            2025-01-03 09:00:00    12             3

现在，days_in_month已经成功地成为了主要索引，而timestamp则作为次要索引。

完整代码示例

将上述两个步骤合并，可以得到一个简洁的操作链：

import pandas as pd

# 创建示例DataFrame
idx = pd.Index(['2025-01-03 09:00:00'], name='timestamp')
df = pd.DataFrame([[12, 3, 31]], index=idx, columns=['data', 'day_of_month', 'days_in_month'])

# 将'days_in_month'列转换为主要索引，并保留'timestamp'为次级索引
out = df.set_index('days_in_month', append=True).swaplevel(0, 1)

print("\n最终的多级索引DataFrame:")
print(out)

注意事项

返回新DataFrame： set_index()和swaplevel()方法默认返回一个新的DataFrame，而不是在原DataFrame上进行修改。如果您希望在原DataFrame上直接修改，可以将其赋值回原变量，例如 df = df.set_index(...)。
索引名称： 当您使用set_index()将列转换为索引时，该列的名称将自动成为新索引层级的名称。
reset_index()： 如果您需要将索引层级（或部分层级）转换回普通列，可以使用reset_index()方法。
pivot和melt的区别： 在问题中提及的pivot和melt是用于数据重塑（reshaping）的工具，它们主要用于改变DataFrame的宽/长格式，而不是直接用于将列提升为索引或调整索引层级。因此，对于本教程描述的场景，set_index和swaplevel是更直接和合适的解决方案。

总结

通过结合使用pandas.DataFrame.set_index()方法的append=True参数和pandas.DataFrame.swaplevel()方法，我们可以灵活地将DataFrame中的列提升为索引，并精确控制索引层级的顺序，从而构建出满足特定分析需求的多级索引结构。掌握这些技巧将极大地提升您在Pandas中处理复杂数据集的能力。

以上就是Pandas DataFrame多级索引：将列转换为索引并调整层级的详细内容，更多请关注其它相关文章！

# 是在 # 安徽seo是什么方法 # 上海最好的seo专业 # 东营网站建设评价公示网 # 茶颜悦色品牌营销推广 # 镇江高端网站建设 # 网站怎样内链优化 # 丰台阿里云网站建设 # 北京网站推广业务招聘 # 上饶网站营销推广 # 营销推广怎么写文章 # 如果您 # app # 这一 # 是一个 # 如何用 # 创建一个 # 您在 # 子类 # 自定义 # 转换为 # 区别 # 工具