层次化索引

层次化索引（hierarchical indexing）是pandas的一项重要功能， 它使你能在一个轴上拥有多个（两个以上）索引级别。

抽象点说，它使你能以低维度形式处理高维度数据。

先看个Series例子：

对于一个层次化索引的对象， 选取数据子集的操作很简单：

 有时甚至还可以在“内层”中进行选取：

 根据层次化索引进行数据重塑

层次化索引在数据重塑和基于分组的操作（如透视表生成）中扮演着重要的角色。比如，这段数据可以通过其unstack

方法被重新安排到一个DataFrame中：

 unstack的逆运算是stack：

 DataFrame的分层

In [18]: frame = DataFrame(np.arange(12).reshape((4,3)), index=[list(‘aabb‘), [1, 2, 1, 2]], columns= [[‘Ohio‘, ‘Ohio‘, ‘Colorado‘], [‘Green‘, ‘Red‘, ‘Green‘]])In [19]: frameOut[19]:     Ohio     Colorado    Green Red    Greena 1     0   1        2  2     3   4        5b 1     6   7        8  2     9  10       11In [20]:

View Code

 各层也可以有名字（可以是字符串， 也可以是别的python对象）。如果指定了名称，它们就会显示在控制台输出中（不要将索引名称跟

轴标签混为一谈！）：

由于有了分部的列索引， 因此可以轻松选取列分组：

 DataFrame 重排分级顺序

有时， 你需要重新调整某条轴上各级别的顺序， 或根据指定级别上的值对数据进行排序。swaplevel接受两个级别编号或名称， 

并返回一个互换了级别的新对象（但数据不会发生变化）：

而sortlevel 则根据单个级别中的值对数据进行排序（稳定的）。交换级别时， 常常也会用到sortlevel， 这样最终结构就是有序的了

 注意：在层次化索引的对象上， 如果索引是按字典方式从外到内排序（即调用sortlevel（0）或sort——index()的结果）， 数据

选取操作的性能要好很多。

根据级别汇总统计

 使用DataFrame的列

frame = DataFrame({"a":range(7), ‘b‘: range(7, 0, -1), ‘c‘:["one", "one", "one", "two", "two", "two", "two"], "d":[0, 1, 2, 0, 1, 2, 3]})

View Code

 rest_index 的功能跟set_index刚好相反， 层次化索引的级别会被转移到列里面：

层次化索引