在最新版的pandas中（不知道之前的版本有沒(méi)有這個(gè)問(wèn)題），當(dāng)我們對(duì)具有多層次索引的對(duì)象做切片或者通過(guò)df[bool_list]的方式索引的時(shí)候，得到的新的對(duì)象盡管實(shí)際索引已經(jīng)發(fā)生了改變，但是當(dāng)直接使用df_new.index調(diào)取新對(duì)象的MultiIndex對(duì)象的時(shí)候，這個(gè)MultiIndex對(duì)象還是和原對(duì)象的索引保持一致的，而不是和新對(duì)象的實(shí)際索引保持一致。這點(diǎn)需要特別注意，因?yàn)檎Ｇ闆r下，我們自然會(huì)認(rèn)為df.index的MultiIndex對(duì)象和df的實(shí)際索引是一致的，基于此，我們可能會(huì)寫出一些難以發(fā)現(xiàn)的bug?？梢钥聪旅娴睦印?/p>

import pandas as pd
 
df_t1=pd.DataFrame([[1,2],[2,3],[2,3],[3,5]],index=[['a','a','b','b'],[0,1,0,1]])
 
df_t1
Out[39]: 
   0 1
a 0 1 2
 1 2 3
b 0 2 3
 1 3 5
 
df_t2=df_t1.loc[[x=='a' for x in df_t1.index.levels[0]]]
 
df_t2 
Out[41]: 
   0 1
a 0 1 2
 
df_t2.index  #從上面df_t2對(duì)象的輸出結(jié)果和下面index的輸出結(jié)果可以發(fā)現(xiàn)，df_t2的index和其實(shí)際的索引并不一致
Out[42]: 
MultiIndex(levels=[['a', 'b'], [0, 1]],
      codes=[[0], [0]])
 
df_t3=df_t1.iloc[:2,:]
 
df_t3
Out[46]: 
   0 1
a 0 1 2
 1 2 3
 
df_t3.index #從上面df_t3對(duì)象的輸出結(jié)果和下面index的輸出結(jié)果可以發(fā)現(xiàn)，df_t3的index和其實(shí)際的索引也不一致
Out[47]: 
MultiIndex(levels=[['a', 'b'], [0, 1]],
      codes=[[0, 0], [0, 1]])

從上面的例子可以看出，當(dāng)通過(guò)bool索引和切片索引時(shí)，就會(huì)出現(xiàn)這種問(wèn)題，其他的索引方式一般不會(huì)出現(xiàn)這種問(wèn)題。當(dāng)遇到這種問(wèn)題時(shí)，如果我們需要始終保持新對(duì)象的index得到的對(duì)象和實(shí)際索引一致，該如何做呢？請(qǐng)看下面代碼

df_t2.index.remove_unused_levels()
Out[62]: 
MultiIndex(levels=[['a'], [0]],
      codes=[[0], [0]])
 
df_t2.index=df_t2.index.remove_unused_levels()
 
df_t2.index
Out[75]: 
MultiIndex(levels=[['a'], [0]],
      codes=[[0], [0]])
 
df_t2
Out[76]: 
   0 1
a 0 1 2

可以看到，MultiIndex對(duì)象有一個(gè)remove_unused_levels()函數(shù)，其作用是把沒(méi)有被使用的索引被去處掉，這樣就可以使得對(duì)象的MultiIndex對(duì)象和其實(shí)際顯示出來(lái)的索引保持一致了。故其實(shí)在遇到多層次索引的切片索引或者bool索引之后，加上一條df.index.remove_unused_levels()語(yǔ)句不失為一個(gè)好的習(xí)慣，或者至少得有這種意識(shí)，意識(shí)到此處可能會(huì)出現(xiàn)這種問(wèn)題。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。