通过df.index = 可迭代对象可以设置DataFrame的行索引。要求可迭代对象的元素数量和DataFrame的行数保持一致。
示例代码：
import numpy as npimport pandas as pd# 通过随机数组创建，列索引和行索引默认是有序整数score = np.random.randint(40, 100, (10, 5))df2 = pd.DataFrame(score)# 指定列索引和行索引subjects = ["语文", "数学", "英语", "政治", "体育"]# 通过df2.shape[0] 能够取到行数stu = ["同学" + str(i) for i in range(df2.shape[0])]# 设置行索引df2.index = stuprint(df2)print("================================")输出结果：
0 1 2 3 4同学0 57 60 73 40 64同学1 81 77 57 65 52同学2 60 93 99 41 79同学3 60 89 94 99 76同学4 81 96 40 74 96同学5 64 63 81 61 59同学6 98 94 94 92 74同学7 65 89 86 60 77同学8 70 85 91 50 70同学9 58 45 63 55 50================================通过df.reset_index()可以重置索引。重置索引以后，原来的索引列会变成新的一列，新的索引是从0开始的有序整数。
示例代码：
import numpy as npimport pandas as pd# 通过随机数组创建，列索引和行索引默认是有序整数score = np.random.randint(40, 100, (10, 5))df2 = pd.DataFrame(score)# 指定列索引和行索引subjects = ["语文", "数学", "英语", "政治", "体育"]# 通过df2.shape[0] 能够取到行数stu = ["同学" + str(i) for i in range(df2.shape[0])]# 设置行索引df2.index = stuprint(df2)print("================================")# 重置索引df2 = df2.reset_index()print(df2)print("================================")输出结果：
0 1 2 3 4同学0 95 63 46 94 77同学1 72 93 68 47 66同学2 49 41 90 41 49同学3 52 83 45 66 87同学4 91 60 79 81 59同学5 41 96 71 62 74同学6 43 91 49 73 81同学7 72 85 71 77 75同学8 86 49 48 41 52同学9 76 90 79 58 89================================ index 0 1 2 3 40 同学0 95 63 46 94 771 同学1 72 93 68 47 662 同学2 49 41 90 41 493 同学3 52 83 45 66 874 同学4 91 60 79 81 595 同学5 41 96 71 62 746 同学6 43 91 49 73 817 同学7 72 85 71 77 758 同学8 86 49 48 41 529 同学9 76 90 79 58 89================================如果需要重置索引，又不想要保留原本的索引，则可以通过df.reset_index(drop=True)方法实现。
示例代码：
import numpy as npimport pandas as pd# 通过随机数组创建，列索引和行索引默认是有序整数score = np.random.randint(40, 100, (10, 5))df2 = pd.DataFrame(score)# 指定列索引和行索引subjects = ["语文", "数学", "英语", "政治", "体育"]# 通过df2.shape[0] 能够取到行数stu = ["同学" + str(i) for i in range(df2.shape[0])]# 设置行索引df2.index = stuprint(df2)print("================================")# 重置索引并删除原来的索引df2 = df2.reset_index(drop=True)print(df2)print("================================")输出结果：
0 1 2 3 4同学0 50 50 54 82 48同学1 89 72 89 44 50同学2 48 83 41 96 63同学3 85 74 96 74 94同学4 84 84 92 45 60同学5 48 74 58 80 41同学6 72 68 64 62 49同学7 50 66 90 45 83同学8 45 55 65 44 72同学9 49 85 50 84 49================================ 0 1 2 3 40 50 50 54 82 481 89 72 89 44 502 48 83 41 96 633 85 74 96 74 944 84 84 92 45 605 48 74 58 80 416 72 68 64 62 497 50 66 90 45 838 45 55 65 44 729 49 85 50 84 49================================pandas的DataFrame支持多级索引，类似于MySQL的联合索引。要设置多级索引，通过以下方法实现：
df = df.set_index(["year", "month"])示例代码：
import numpy as npimport pandas as pddf = pd.DataFrame({'month': [1, 4, 7, 10], 'year': [2012, 2014, 2013, 2014], 'sale': [55, 40, 84, 31]})# 设置多级索引df = df.set_index(["year", "month"])print(df)输出结果：
saleyear month2012 1 552014 4 402013 7 842014 10 31通过以下方式，查看多级索引的名称：
# 查看多级索引的名称print(df.index.names)print("================================================")通过以下方式，查看多级索引的等级：
# 查看多级索引的等级print(df.index.levels)print("================================================")示例代码：
import numpy as npimport pandas as pddf = pd.DataFrame({'month': [1, 4, 7, 10], 'year': [2012, 2014, 2013, 2014], 'sale': [55, 40, 84, 31]})# 设置多级索引df = df.set_index(["year", "month"])print(df)print("================================================")# 查看多级索引print(df.index)print("================================================")# 查看多级索引的名称print(df.index.names)print("================================================")# 查看多级索引的等级print(df.index.levels)print("================================================")输出结果：
saleyear month2012 1 552014 4 402013 7 842014 10 31================================================MultiIndex([(2012, 1), (2014, 4), (2013, 7), (2014, 10)], names=['year', 'month'])================================================['year', 'month']================================================[[2012, 2013, 2014], [1, 4, 7, 10]]================================================| 留言与评论（共有 0 条评论） “” |
