1.索引的作用

索引的作用相当于图书的目录，可以根据目录中的页码快速找到所需的内容。

• 更方便地查询数据
• 使用索引可以提升查询性能
• 多维索引用于多维聚类

重设索引有一个很重要的方法reindex,它的作用是创建一个适应新索引的对象。语法如下：

DataFrame.reindex(labels=None,index=None,column=None,axis=None,method=None,copy=True,level=None,fill_value=nan,limit=None,tolerance=None)
"""
label:标签，可以是数组
index:行索引，默认值为None
columns：列索引，默认值为None
axis:轴，0表示行；1表示列
method:默认值为None，重新设置索引，，选择填充缺失数据的方法，其值可以是None,bfill/backfill(后向填充)、fill/pad（前向填充）
fill_value:缺失值要填充的数据，如果缺失值不用NaN填充，可用fill_value=0，用0填充。
"""

import pandas as pd
s1=pd.Series([15,23,34],index=list("abc"))
s2=pd.Series([2,3,4],index=list("bcd"))
print(s1+s2)#根据索引相加

#索引相同相加，不相同的为NaN

2.重新设置索引

2.1 Series对象重新设置索引

#重新设置索引
s3=pd.Series([34,32,45],index=[1,2,3])
print(s3.reindex([1,2,3,4,5]))
print(s3.reindex([1,2,3,4,5],fill_value=0))#空缺值用0填充
print(s3.reindex([1,2,3,4,5],method="ffill"))#向前填充(填充的数据和前面数据一样)
print(s3.reindex([1,2,3,4,5],method="bfill"))#向后填充(填充的数据和后面数据一样)

实验数据如下：
0填充：

向前填充：

向后填充：（因为后面没有数据，也是NaN）

2.2 Dataframe对象重新设置索引

#对Dataframe对象重新设置索引
pd.set_option("display.unicode.east_asian_width",True)
data=[[100,120,98],[99,110,90],[110,110,118]]
indexs=["rm01","rm03","rm05"]
columns=["数学","语文","物理"]
df=pd.DataFrame(data,index=indexs,columns=columns)
print(df)

数据如下所示：

设置行列索引

df.reindex(["rm01","rm02","rm03","rm04","rm05"])#重新设置行索引
df.reindex(columns=["英语","政治","历史"])#重新设置列索引
#同时重新设置行列索引
df.reindex(index=["001","002","003","004","005"],columns=["英语","政治","历史"])

3. 设置某列为索引

属性set_index为重新建立索引，方法中的drop=True,则会删除该列，只将改列作为索引列，drop=False，则会保留索引列，并保留该索引列数据。

df=pd.read_excel(r"C:\Users\Administrator\Desktop\python数据分析Code\Code\03\44\1月.xlsx")
#将买家会员设置为索引,
df=df.set_index(["买家会员名"],drop=False)

这是drop=False的情况

这是drop=True的情况

4. #删除缺失值之后重新设置索引

将含有空数据的行删除，并添加新的索引。

df=df.dropna().reset_index(drop=True)

结果如下：