熊貓中的索引對象-為什么pd.columns返回索引而不是列表

Question

從R背景來看，我發現熊貓中Index對象的使用（很高）有點令人不安。 例如，如果train是一個熊貓DataFrame，為什么train.columns應該返回一個Index而不是一個列表有一些特殊的原因嗎？ 如果它是Index對象，還可以達到什么目的？ 根據pandas.Index的定義，它是存儲所有pandas對象的軸標簽的基本對象。 雖然train.index.values確實返回行標簽（axis = 0），但如何從pandas.index獲取列標簽或列名稱？ 在這個問題上，與前面的問題不同，我想到了一個具體的例子。

Answer 1

pd.Index是列名稱的類似數組的容器，因此從某種意義上講，詢問如何從索引中獲取標簽沒有意​​義，因為索引是標簽。

就是說，您始終可以使用df.columns.values獲取基礎的numpy數組，或者使用tolist()轉換為python列表。

關於為什么在裸數組上使用索引的原因- Index提供了在整個熊貓中使用的額外功能/性能-其核心是基於哈希表的索引。

例如，考慮以下框架/列。

df = pd.DataFrame(np.random.randn(10, 10),
                  columns=list('abcdefghkm'))

cols = df.columns

cols
Out[16]: Index(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'k', 'm'], dtype='object')

現在說您想從框架中選擇列'h' 。 使用列的列表或數組版本，您可以遍歷列以查找'h'的位置，該位置在列數中為O(n) ，如下所示：

for i, col in enumerate(cols):
    if col == 'h':   
        found_loc = i
        break

found_loc
Out[18]: 7

df.values[:, found_loc]
Out[19]: 
array([-0.62916208,  2.04403495,  0.29498066,  1.07939374, -1.49619915,
       -0.54592646, -1.04382192, -0.45934113, -1.02935858,  1.62439231])

df['h']
Out[20]: 
0   -0.629162
1    2.044035
2    0.294981
3    1.079394
4   -1.496199
5   -0.545926
6   -1.043822
7   -0.459341
8   -1.029359
9    1.624392
Name: h, dtype: float64

通過使用Index ，pandas構造了列值的哈希表，因此查找'h'的位置是攤銷的O(1)操作，通常快得多，尤其是在列數很大的情況下。

df.columns.get_loc('h')
Out[21]: 7

這個示例僅選擇一個列，但是正如@ayhan在注釋中指出的那樣，這種相同的哈希表結構還加快了許多其他操作，如合並，對齊，過濾和分組。

Answer 2

從pandas.Index的文檔中

實現一個有序，可切片集合的不可變ndarray。 所有熊貓對象的基本對象存儲軸標簽

顯然，使用常規列表作為DataFrame的索引可能會導致無法排序或無法哈希的對象出現問題-由於哈希表支持哈希表，因此在常規Python中為什么列表不能成為字典鍵的原則相同。

同時，與例如NumPy具有的隱式整數索引相比，顯式的Index對象允許我們使用不同的類型作為Index，並執行快速查找。

如果要檢索列名列表，則Index對象具有tolist方法。

>>> df.columns.tolist()
['a', 'b', 'c']