pandas中高维数据的多层次索引

       在pandas中，当涉及到高维数据时，通常用多层次索引来表示。当然pandas中还有一个panel数据结构，可表示三维的数据，但是pandas官方推荐使用多层次索引，不提倡使用panel数据结构，而且panel未来也将会被pandas抛弃。下面我们来说明一下pandas中多层次索引该怎么使用。

       本文以pandas中的DataFrame数据结构为例，先构造一个含有多层次索引的DataFrame对象，如图一：

图一

       对多层次索引，我们还是从标签索引和位置索引分别说明。首先是标签索引，如图二，如果要索引第一层索引对应的内容，直接df_m.loc['a']，如果要索引某一行，比如第一行，则有两种索引方式，df_m.loc['a','a1'] or df_m.loc[('a','a1')]，如果要索引某一列，比如第一列，则df_m.loc['a','c']，如果要索引具体某个值，比如第一个值，则df_m.loc[('a','a1'),'c']，这里需要注意的是，对于Multi_index的层次索引，是利用元组参数实现的。

图二

       然后是位置索引，如图三，此时可以忽略外面的两层index，直接把数据看成一个二维的DataFrame即可。

图三

       最后我们再看下多重索引对象是什么样的。如图四，df_m的index属性是一个MultiIndex对象，其中有两个主要的属性：levels、labels，当我们想要获取具体的index时，可以通过levels属性获取，即df_m.index.levels，返回一个列表，其中的元素是两层索引构成的列表，然后如果我们需要获取具体的索引，直接利用正常的列表索引即可得到。但要特别注意的是，这里的levels中的子列表是已经经过排序的，而不是原索引的顺序（这点我觉得是个没设计好的地方，大可以返回原顺序，是否排序用户本可以自己选择相应的排序方法解决），所以如果我们需要的是原顺序的索引，那么可以对df_m.index对象使用列表解析，因为可以把df_m.index看做是一个由索引元组组成的ndarray使用，然后得到列表后，可以转化为ndarray或者Series对象，再使用pandas或者Series的unique()函数来获取无重复的最外层索引。

图四