data=Series(np.random.randn(10),index=[list('aaabbbccdd'),list('1231231223')])
data

a  1    0.198134
   2    0.657700
   3   -0.984464
b  1    0.105481
   2   -1.587769
   3    0.329646
c  1   -0.172460
   2   -1.234518
d  2   -1.200264
   3   -0.239958
dtype: float64


data.index
MultiIndex(levels=[['a', 'b', 'c', 'd'], ['1', '2', '3']],
           labels=[[0, 0, 0, 1, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 1, 2, 0, 1, 1, 2]])

取层次化索引:

data['b':'c']
b  1    0.105481
   2   -1.587769
   3    0.329646
c  1   -0.172460
   2   -1.234518
dtype: float64

data.ix[['b','c']]

b  1    0.105481
   2   -1.587769
   3    0.329646
c  1   -0.172460
   2   -1.234518
dtype: float64

取内层索引:

data[:, '2']

a    0.657700
b   -1.587769
c   -1.234518
d   -1.200264
dtype: float64

unstack: 将Series放到DataFrame中

data.unstack()
    1   2   3
a   0.198134    0.657700    -0.984464
b   0.105481    -1.587769   0.329646
c   -0.172460   -1.234518   NaN
d   NaN -1.200264   -0.239958

data.unstack().stack() 进行还原

data.unstack().stack()

对于DataFrame，每个轴上都可以有分层索引

frame=DataFrame(np.arange(12).reshape(4,3),
                index=[list('aabb'),list('1212')],
                columns=[['ohio','ohio','colorado'],['Green','Red','Green']])
frame

还可以命名：

frame.index.names=['key1','key2']
frame.columns.names=['state','color']
frame

因为有了列索引，所以可以直接取列分组

frame['ohio']

根据级别汇总统计

frame.index
MultiIndex(levels=[['a', 'b'], ['1', '2']],
           labels=[[0, 0, 1, 1], [0, 1, 0, 1]],
           names=['key1', 'key2'])

levels用于在指定在某条轴上进行求和的级别.

frame.sum(level='key2')

frame.sum(level='color',axis=1)

将列转换为行索引

DataFrame的set_index函数会将一个或者多个列转换为行索引,并创建一个新的DataFrame

reset_index的功能跟set_index刚好相反，层次化索引的级别挥别转移到列里面