在 Pandas 中，复合索引（也称为多级索引）允许在一个轴上拥有多个索引级别，这在处理复杂数据结构时非常有用。以下是关于 Pandas 中复合索引的使用方法： ### 创建复合索引 可以使用 `pd.MultiIndex` 来创建复合索引，例如： ```python import pandas as pd new_index = pd.MultiIndex.from_tuples([('Item_1','I1'), ('Item_2','I2'), ('Item_3','I3'), ('Item_4','I4'), ('Item_5','I5')], names=['Items','Type']) ``` ### 在 DataFrame 中使用复合索引 在创建 DataFrame 时可以直接指定复合索引，也可以使用 `set_index` 方法来设置复合索引： ```python import pandas as pd import numpy as np df = pd.DataFrame(np.arange(12).reshape(3, 4)) df.index = list("abc") df.columns = list("wxyz") # 指定复合索引设置赋值索引 e = df.set_index(["y", "x"]) print(e) print(e.index) ``` ### 基于复合索引进行数据选择 可以使用 `loc` 方法基于复合索引进行数据选择，例如： ```python # 假设 df 是一个具有复合索引的 DataFrame # 选择一级索引为 'Item_1' 的所有数据 subset = df.loc['Item_1'] # 选择一级索引为 'Item_1' 且二级索引为 'I1' 的数据 specific_subset = df.loc[('Item_1', 'I1')] ``` ### 复合索引的变换 可以将复合索引变换为数据列，例如将复合索引转换为多数据列等操作。 ### 复合索引的聚合操作 在进行分组聚合时，可以使用复合索引，例如： ```python import pandas as pd import numpy as np file_path = 'worldwide.csv' df = pd.read_csv(file_path) # 数据按照多个条件进行分组，返回 Series grouped = df["Brand"].groupby(by=[df["Country"], df["State/Province"]]).count() # 数据按照多个条件进行分组，返回 DataFrame grouped1 = df[["Brand"]].groupby(by=[df["Country"], df["State/Province"]]).count() ```