小编点评

**索引（index）** * pandas 中用于访问数据的关键，与字典类似。 * 可以根据标签访问数据，例如通过索引查找和访问数据。 * 两种类型的索引：行标签和列标签。 * 行标签用于访问行数据，通常用于时间序列数据或唯一标识符。 * 列标签用于访问列数据，通常用于表示变量或特征。 **轴（axis）** * 指示数据表中的维度，可以理解为行和列。 * 通过指定轴，我们可以对数据进行切片、筛选、聚合等操作。 **应用场景** 1. **访问和选择数据**：使用索引访问和选择数据。 2. **多级索引**：在一个DataFrame中用多级索引表示数据的多维结构。 3. **删除数据**：按行或按列删除数据，需要指定axis属性。 4. **统计数据**：通过axis参数指定跨行还是跨列进行统计。 **其他** * 默认索引默认情况下，行标签和列标签都是从0开始的数字。 * 索引的应用可以帮助我们更好地访问和选择数据，以及进行数据分析。

正文

在pandas中，索引（index）是用于访问数据的关键。
它为数据提供了基于标签的访问能力，类似于字典，可以根据标签查找和访问数据。

而pandas的轴（axis）是指数据表中的一个维度，可以理解为表格中的行和列。
通过指定轴，我们可以对数据进行切片、筛选、聚合等操作。

下面简要介绍pandas的索引和轴的相关应用场景。

1. 索引(index)

pandas中有两种类型的索引：行标签和列标签。
行标签是用于访问行数据的，通常用于表示时间序列数据或唯一标识符。
列标签是用于访问列数据的，通常用于表示变量或特征。

1.1 默认索引

默认情况下，行标签和列标签都是从0开始的数字。

df = pd.DataFrame(
    [
        ["小红", "小明", "小汪"],
        [99, 95, 86],
        [100, 88, 94],
        [95, 99, 86],
    ],
)

df

1.2 自定义索引

为了更好的识别，可以定义行列的标签，行标签可以用各人的学号，列标签用各列的实际含义。

df.index = ["12", "3", "9"]
df.columns = ["姓名", "语文", "数学", "英语"]
df

其中index用来设置行标签，columns用来设置列标签。

1.3 索引的应用

索引最大的作用是访问和选择数据，之前学习的loc函数就是通过索引来访问和选择行列数据的。

df = pd.DataFrame(
    [
        ["小红", 99, 100, 95],
        ["小明", 95, 88, 94],
        ["小汪", 86, 94, 86],
    ],
)

df.index = ["12", "3", "9"]
df.columns = ["姓名", "语文", "数学", "英语"]

print(df.loc[["12"], :])
print(df.loc[:, ["语文"]])

1.4 多级索引

在pandas中，可以在一个DataFrame中用多级索引来表示数据的多维结构。
多级索引可以理解为将数据分组，并按照分组的方式进行索引。
也就是说，在多级索引中，每个索引值可以由两个或更多的标签组成，这些标签可以对应于多个维度的数据。

多级索引的主要优点是可以更好地组织和查询数据。
例如，可以通过多级索引轻松地对数据进行分组和聚合操作，在保留数据完整性的同时可以获得更多的统计信息。

df = pd.DataFrame(
    {
        "姓名": ["小红", "小明", "小红", "小明"],
        "年级": ["初二", "初一", "初一", "初二"],
        "成绩": [100, 88, 94, 99],
    },
)

df.set_index(["姓名", "年级"]).sort_index()
df.set_index(["年级", "姓名"]).sort_index()

如上所示，通过多级索引，可以将行列数据转换为树形结构，让同样的数据表达不同的含义。
左边的数据表达的是每个同学在各个年级的成绩；
右边的数据表达的是每个年级不同同学的成绩。

根据多级索引选取数据也很简单。

df_grade = df.set_index(["年级", "姓名"]).sort_index()

# 获取初一所有学生的成绩数据
df_grade.loc["初一", :]

# 获取初二小明的成绩
df_grade.loc["初二", :].loc["小明":, :]

2. 轴(axis)

在pandas中，有两个轴：0轴代表的是行方向（即纵向），1轴代表的是列方向（即横向）。

2.1 删除数据时

删除行列数据时，除了指定行列的标签，还需要指定axis属性，表明是按行还是按列删除。

df = pd.DataFrame(
    {
        "数学": [100, 88, 94],
        "语文": [98, 80, 86],
        "英语": [95, 91, 86],
    },
    index=["小红", "小明", "小汪"],
)

# 按行删除 axis=0
df.drop("小明", axis=0)

# 按列删除 axis=1
df.drop("数学", axis=1)

PS. axis 默认值是0，所以，按行删除时不指定 axis 也是可以的。

2.2 统计数据时

统计数据时也一样，通过axis参数指定跨行还是跨列来统计。
假如我们要统计总分：

df = pd.DataFrame(
    {
        "数学": [100, 88, 94],
        "语文": [98, 80, 86],
        "英语": [95, 91, 86],
    },
    index=["小红", "小明", "小汪"],
)

# 跨行统计，各门学科总分
df.sum(axis=0)

# 跨列统计，各个学生总分
df.sum(axis=1)

这里关于 axis 的理解，有些朋友可能会有点疑惑。
我们看到上面的示例中 axis=0 时，统计的是各个学科的总分，感觉像是按列统计，并不是按行统计的。
其实是这样的，axis 表示的是行列的方向，axis=0 时，表示按行的方向统计，所以是把每行的数据加起来，得到的就是各门学科的总成绩。

同样，axis=1时，按照列的方向统计，得到的就是每个学生的总成绩了。

3. 总结回顾

本篇介绍了pandas中两个重要的概念，索引和轴。

关于索引，pandas的索引有默认索引，自定义索引以及多级索引。
默认索引是pandas自动生成的整数形式的索引，它默认会被创建。
自定义索引指的是用户自己定义的一种标签形式的索引，可以是数字、字符串或者日期等类型。
多级索引可以让我们用不同的角度看待数据。

关于轴，因为pandas中的数据通常是二维的，所以数据可以沿着两个轴进行操作，分别是行轴和列轴。
行轴又称为轴0，它沿着行的方向进行操作，是数据的第一维度。
列轴又称为轴1，它沿着列的方向进行操作，是数据的第二维度。