Python - Pandas 索引index的使用_df.index

将数据某一列设为索引

将userid列设为索引列，inplace=True表示在原df上修改，drop=False表示保留userid列，默认删除userid列。
# 将userid列设为索引列
df.set_index('userid', inplace=True, drop=False)
# 若修改后可以这么查询userid为500的数据
df.loc[500]
# 相当于
df.loc[df['userid'] == 500]
使用index提升查询性能
 
如果index是唯一的，Pandas会使用哈希表优化，查询性能为O(1);
如果index不是唯一的，但是有序，Pandas会使用二分查找算法，查询性能为O(logN);
如果index是完全随机的，那么每次查询都要扫描全表，查询性能为O(N); 
# 判断index是否递增
df.index.is_monotonic_increasing
# 判断index是否唯一
df.index.is_unique
index自动对齐数据
 
import pandas as pd
s1 = pd.Series([1,2,3], index=list('abc'))
s2 = pd.Series([2,3,4], index=list('bcd'))
s1+s2
s1为
 
 s2为
 
 s1+s2结果为，相同索引b、c分别相加，a、d因无法相加操作返回NaN
 
 *此文仅为个人笔记
用于储存一行或者一列的数据，以及与之相关的索引的集合；（与列表相似）
from pandas import Series;
x = Series(['a',True, 1], index=['first','second','third']);
追加新元素
  这里需要对追加的结果进行接收，这里与列表的方式不同！ 
n = Series(['2'])
x = x.append...
				我整理的一些关于【数据分析】的项目学习资料（附讲解～～）和大家一起分享、学习一下：https://edu.51cto.com/surl=f5rw22Python DataFrame索引类型转换
在Python的Pandas库中，DataFrame是一种非常重要的数据结构，它用于存储和处理表格数据。DataFrame的每一...
import os 
os.chdir(r'C:\Users\Hans\Desktop\data_analysis\test_data')
df = pd.read_csv('03_Alcohol_Consumption.csv')
df.head()
				##Pandas的索引index的用途
'''把数据存储于普通的column列也能用于数据查询，那使用index有什么好处?index的用途总结:
1.更方便的数据查询;
2.使用index可以获得性能提升;
3.自动的数据对齐功能;
4.更多更强大的数据结构支持;'''
import pandas as pd
df =pd.read_csv('F:\\python387\\pandas\\antlearnpandasmaster\\datas\\ml_latest_small\\ratings.csv'.
				Python pandas index索引
查看，修改索引：
df = pd.DataFrame({'a':[1,2,3],'b':[4,5,6],'c':[7,8,9]})
print (df)
#查看索引
print (df.index)
#修改索引
df.index =["tom","mark","ann"]
print (df)
print (df.index)
在上面的示例中，`set_index('A')` 将列 'A' 设置为 DataFrame 的索引，并通过 `inplace=True` 修改了原始 DataFrame。
你也可以使用 `reset_index()` 方法来还原索引：
```python
df.reset_index(inplace=True)
这会将索引还原为默认的整数索引。