1-2 Index索引的挂号系统

1-2 Index：挂号系统决定谁对齐谁

本节摘要：Index是行标签的容器，Pandas一切对齐、查找、切片都以它为准。本节讲清位置与标签两套坐标的区别、索引对齐的运算规则、set_index与reset_index的换号操作，以及索引对象的不可变性。

承接1-1：档案袋（DataFrame）已经建好，但还没挂号。这一节发的挂号条，将决定第02章loc叫号、第05章分组、第07章时间序列随访的全部规则。

挂号条不是行号

import pandas as pd

df = pd.DataFrame({
    '销售额': [128000, 96500, 173200],
}, index=['门店A', '门店B', '门店C'])

# 按标签取（挂号条叫号）
print(df.loc['门店B'])
# 销售额    96500
# Name: 门店B, dtype: int64

# 按位置取（第几个排队）
print(df.iloc[1])
# 销售额    96500
# Name: 门店B, dtype: int64
​

两者此刻结果相同，是因为挂号条恰好按排队顺序发。一旦顺序打乱或标签有重复，两套坐标就分道扬镳——这是第02章2-1的主题，这里先记住结论：loc认标签，iloc认位置，混用是隐式bug的第一大来源。

对齐：不同医院的两张化验单怎么合并读数

Index真正的主场是运算对齐。两张化验单各测了几个日期，部分重叠、部分缺失，直接相加时Pandas会先做"取并集对表"：

q1 = pd.Series([120, 135], index=['1月', '2月'], name='一季度')
q2 = pd.Series([210, 198, 187], index=['2月', '3月', '4月'], name='二季度')

print(q1 + q2)
# 1月     NaN
# 2月    345.0
# 3月     NaN
# 4月     NaN
# dtype: float64

# 两边都测过的只有2月；只在一边有的月份，另一边补NaN，加出来就是NaN
# 想只保留重叠部分，用专门的索引运算
print(q1.add(q2, fill_value=0))
# 1月    120.0
# 2月    345.0
# 3月    198.0
# 4月    187.0
# dtype: float64
​

这个对齐行为解释了第03章会反复遇到的NaN从哪来：很多时候不是数据缺失，而是对齐产生的。把这一点想在前面，后面看到NaN先问一句"是缺测，还是没对上号"。

换号窗口：set_index与reset_index

挂号条可以换人当。销售明细用交易序号排队，但按日期随访更方便，就把日期升格为索引：

sales = pd.DataFrame({
    '日期': ['2024-01-03', '2024-01-10', '2024-01-15'],
    '金额': [1280, 1732, 880],
})

dated = sales.set_index('日期')       # 日期列升格为挂号条
print(dated)
#             金额
# 日期
# 2024-01-03  1280
# 2024-01-10  1732
# 2024-01-15   880

back = dated.reset_index()            # 挂号条降级回普通列
print(back.columns.tolist())  # ['日期', '金额']

# drop=True 则直接撕掉挂号条，不要这列了
print(dated.reset_index(drop=True))
#     金额
# 0  1280
# 1  1732
# 2   880
​

⚠️ 常见坑：set_index之后原列默认消失。如果既要按日期索引又要保留日期列做字符串处理，先复制一份列再set_index。

挂号条本身的体检

idx = pd.Index(['门店A', '门店B', '门店C'])
print(idx.is_unique)     # True：无重号
busy = pd.Index(['早', '早', '晚'])
print(busy.is_unique)    # False：重复挂号
print(busy.get_indexer(['早']))  # [0] 重号时只定位到第一个

# 索引是不可变的：idx[0]='门店X' 会直接抛异常
# 想改只能整体换发：dated.index = pd.to_datetime(dated.index)
​

重复索引在第02章按标签取行时会"一次叫出一群人"，在merge时会引发笛卡尔式的膨胀。is_unique这个一行的检查，值得写进任何接诊脚本的固定动作里。

挂号系统的两层坐标

位置与标签两套坐标对照

本节要点回顾

• 两套坐标：iloc认位置、切片含头不含尾；loc认标签、切片双闭
• 对齐规则：Series与DataFrame运算按索引对齐，没对上的位置补NaN
• 换号操作：set_index升格、reset_index降级、drop=True撕条
• is_unique检查：重复标签是取行与合并时行为异常的隐形根源
• 索引不可变：修改只能整体换发新索引

追问：索引能提速吗

能，而且思路值得现在建立。索引的查找本质是哈希定位，reindex与loc在有序唯一索引上接近常数时间。一个实战细节：按某列反复筛选时，把该列set_index成索引再操作，常常比每次布尔比较划算；多级索引的取数在排序后更是走二分路径，这就是前面强调"乱序先sort_index"的性能原因。第08章谈性能时这一条会再次出现。

# 对比体会：百万行上按索引取数 vs 布尔比较
big = pd.DataFrame({'金额': range(1000000)},
                   index=[f'单{i:06d}' for i in range(1000000)])
print(big.loc['单500000', '金额'])      # 500000 索引直达
print(big[big.index == '单500000'])     # 同样结果，但要全表扫描比较
​

两者结果一致，规模小的时候无所谓，百万行以上差距就开始显现。什么时候值得把列升格为索引，判断标准是"这个键被查询的频率"。

档案挂好号，下一节打开登记窗口，把CSV、Excel、数据库里的数据接进来。