数据分析—学会用pandas做多层索引

【导语】Pandas库的名字来源于3种主要数据结构开头字母的缩写：Panel,Dataframe,Series。其中Series表示一维数据，Dataframe表示二维数据，Panel表示三维数据。当数据高于二维时，一般却不用 Panel 表示，为什么呢？如果不用 Panel，又该怎么做呢？

实际上，当数据高于二维时，我们一般用包含多层级索引的Dataframe进行表示，而不是使用Panel。原因是使用多层级索引展示数据更加直观， *** 作数据更加灵活，并且可以表示3维，4维乃至任意维度的数据。具体要怎么做呢？下面就从多层级索引的创建、取值与排序等内容教大家一些方法！

直接使⽤index参数创建 在使⽤index参数时，index的值是⼀个列表，其中的元素是多个列表，每个列表就是⼀层索 引，举个栗⼦：

我们来看⼀下输出结果：第⼀列的a、b、c是第⼀层的索引，第⼆层的期中、期末是 第⼆层的索引，第三列的就是对应的数据。

上面建索引的⽅式写起来很麻烦，我们要写很多重复的内容，所以pandas给我们提供了另⼀ 种⽅式（MultiIndex.from_product() ）来构建多层索引

使⽤MultiIndex.from_product()方法构建，⾸先我们把每层需要的索引写⼊到⼀个列表中，将这些列表在存⼊到⼀个新的列表当中，作为 参数传⼊MultiIndex.from_product()方法中，把结果赋值给变量index，那么这个index就 是我们构造好的索引，我们只需要在创建Series的时候传入索引即可

结果：69

多层索引的应用场景一般是在数据量比较大，字段比较多，逻辑相对复杂的情况下，用来汇总数据，查找数据时使用。

希望本文的内容对大家的学习或者工作能带来一定的帮助，每天进步一点点，加油~

主要从几个不同方面设计ORACLE数据库优化方案：一.数据库优化自由结构OFA(Optimal flexible Architecture)二、充分利用系统全局区域SGA（SYSTEM GLOBAL AREA)三、数据库设计中的优化策略数据应当按两种类别进行组织：频繁访问的数据和频繁修改的数据。对于频繁访问但是不频繁修改的数据，内部设计应当物理不规范化。对于频繁修改但并不频繁访问的数据，内部设计应当物理规范化。四、合理设计和管理表1、利用表分区分区将数据在物理上分隔开，不同分区的数据可以制定保存在处于不同磁盘上的数据文件里。2、避免出现行连接和行迁移3、控制碎片4、别名的使用别名是大型数据库的应用技巧，就是表名、列名在查询中以一个字母为别名，查询速度要比建连接表快1.5倍。5、回滚段的交替使用五、索引Index的优化设计1、管理组织索引索引可以大大加快数据库的查询速度，索引把表中的逻辑值映射到安全的RowID，因此索引能进行快速定位数据的物理地址。六、多CPU和并行查询PQO(Parallel Query Option)方式的利用七、实施系统资源管理分配计划ORACLE 提供了Database Resource Manager（DRM,数据库资源管理器）来控制用户的资源分配，DBA可以用它分配用户类和作业类的系统资源百分比。在一个OLDP系统中，可给联机用户分配75%的CPU资源，剩下的25%留给批用户。另外，还可以进行CPU的多级分配。除了进行CPU资源分配外，DRM还可以对资源用户组执行并行 *** 作的限制。八、使用最优的数据库连接和SQL优化方案九、充分利用数据的后台处理方案减少网络流量1、合理创建临时表或视图2、数据库打包技术的充分利用利用数据库描述语言编写数据库的过程或函数，然后把过程或函数打成包在数据库后台统一运行包即可。3、数据复制、快照、视图，远程过程调用技术的运用

---