python - pandas 中的索引对象——为什么 pd.columns 返回索引而不是列表

Question

来自 R 背景，我发现 pandas 中对 Index 对象的(非常高)使用有点令人不安。例如，如果 train 是一个 pandas DataFrame，是否有一些特殊原因为什么 train.columns 应该返回一个 Index 而不是一个列表？如果它是一个 Index 对象，还有什么用途？根据 pandas.Index 的定义，它是所有 pandas 对象存储轴标签的基本对象。虽然 train.index.values 确实返回行标签 (axis=0)，但如何从 pandas.index 获取列标签或列名称？与之前的问题不同，在这个问题中，我想到了一个具体的例子。

Answer 1

pd.Index 是列名称的类似数组的容器，因此从某种意义上说，询问如何从索引中获取标签是没有意义的，因为索引 < em>是标签。

也就是说，您始终可以使用 df.columns.values 获取底层 numpy 数组，或者使用 tolist() 转换为 python 列表，如@Mitch 所示。

就为什么在裸数组上使用索引而言 - Index 提供了在整个 pandas 中使用的额外功能/性能 - 其核心是基于哈希表的索引。

例如，考虑以下框架/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')

现在假设您要从框架中选择列 'h'。使用列的列表或数组版本，您将遍历列以找到 'h' 的位置，这是 O(n) 的数量列 - 像这样:

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

使用 Index，pandas 构建列值的哈希表，因此找到 'h' 的位置是一个分摊的 O(1) 操作，通常显着更快，尤其是当列数很大时。

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

此示例仅选择单个列，但正如@ayhan 在评论中指出的那样，相同的哈希表结构还可以加速许多其他操作，如合并、对齐、过滤和分组。