python中index函数的使用方法 index匹配两个条件

编程之家2026-06-09741次浏览

各位老铁们，大家好，今天由我来为大家分享python中index函数的使用方法，以及index匹配两个条件的相关问题知识，希望对大家有所帮助。如果可以帮助到大家，还望关注收藏下本站，您的支持是我们最大的动力，谢谢大家了哈，下面我们开始吧！

index在python中的用法

如下：

1、index函数：用于从列表中找出某个值第一个匹配项的索引位置。

2、index方法语法：list.index(x[,start[,end]])。

3、参数：x--查找的对象。start--可选，查找的起始位置。end--可选，查找的结束位置。

4、返回值：该方法返回查找对象的索引位置，如果没有找到对象则抛出异常。

5、实例：

代码：str1="thisisstringexample....wow!!!"；str2="exam"。

index函数为print(str1.index(str2))。

python中index函数怎么用？

Python中index方法检测字符串中是否包含子字符串 str，如果指定 beg（开始）和 end（结束）范围，则检查是否包含在指定范围内，该方法与 python find方法一样，只不过如果str不在string中会报一个异常。

index函数一般用处是在序列中检索参数并返回第一次出现的索引，没找到就会报错。

python中【index】的含义是什么

index就是一个变量，如果前面有赋值的话，整句的意思就是如果result的第index个元素为真的话就执行冒号后面的。

index作为英语单词，主要用作为名词，动词，用作名词译为“指标；指数；索引；指针”，用作动词译为“指出；编入索引中”。

index双语例句：

1、There's even a special subject index.甚至有一个特别的主题索引。

2、The Dow Jones index fell 15 points this morning.道琼斯指数今天上午下跌了15点。

3、It will be published with annotations and index.这本书出版时将附有注释和索引。

怎么用python进行数据

pandas是本书后续内容的首选库。pandas可以满足以下需求：

具备按轴自动或显式数据对齐功能的数据结构。这可以防止许多由于数据未对齐以及来自不同数据源（索引方式不同）的数据而导致的常见错误。.

集成时间序列功能

既能处理时间序列数据也能处理非时间序列数据的数据结构

数学运算和简约（比如对某个轴求和）可以根据不同的元数据（轴编号）执行

灵活处理缺失数据

合并及其他出现在常见数据库（例如基于SQL的）中的关系型运算

1、pandas数据结构介绍

两个数据结构：Series和DataFrame。Series是一种类似于以为NumPy数组的对象，它由一组数据（各种NumPy数据类型）和与之相关的一组数据标签（即索引）组成的。可以用index和values分别规定索引和值。如果不规定索引，会自动创建 0到 N-1索引。

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#Series可以设置index，有点像字典，用index索引obj= Series([1,2,3],index=['a','b','c'])#print obj['a']#也就是说，可以用字典直接创建Seriesdic= dict(key= ['a','b','c'],value= [1,2,3])

dic= Series(dic)#下面注意可以利用一个字符串更新键值key1= ['a','b','c','d']#注意下面的语句可以将 Series对象中的值提取出来，不过要知道的字典是不能这么做提取的dic1= Series(obj,index= key1)#print dic#print dic1#isnull和 notnull是用来检测缺失数据#print pd.isnull(dic1)#Series很重要的功能就是按照键值自动对齐功能dic2= Series([10,20,30,40],index= ['a','b','c','e'])#print dic1+ dic2#name属性,可以起名字dic1.name='s1'dic1.index.name='key1'#Series的索引可以就地修改dic1.index= ['x','y','z','w']

DataFrame是一种表格型结构，含有一组有序的列，每一列可以是不同的数据类型。既有行索引，又有列索引，可以被看做由Series组成的字典（使用共同的索引）。跟其他类似的数据结构（比如R中的data.frame），DataFrame面向行和列的操作基本是平衡的。其实，DataFrame中的数据是以一个或者多个二维块存放的（不是列表、字典或者其他）。

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#构建DataFrame可以直接传入等长的列表或Series组成的字典#不等长会产生错误data={'a':[1,2,3],'c':[4,5,6],'b':[7,8,9]

}#注意是按照列的名字进行列排序frame= DataFrame(data)#print frame#指定列之后就会按照指定的进行排序frame= DataFrame(data,columns=['a','c','b'])print frame#可以有空列,index是说行名frame1= DataFrame(data,columns= ['a','b','c','d'],index= ['one','two','three'])print frame1#用字典方式取列数据print frame['a']print frame.b#列数据的修改直接选出来重新赋值即可#行，可以用行名或者行数来进行选取print frame1.ix['two']#为列赋值，如果是Series，规定了index后可以精确赋值frame1['d']= Series([100,200,300],index= ['two','one','three'])print frame1#删除列用del函数del frame1['d']#警告：通过列名选出来的是Series的视图，并不是副本，可用Series copy方法得到副本

另一种常见的结构是嵌套字典，即字典的字典，这样的结构会默认为外键为列，内列为行。

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#内层字典的键值会被合并、排序以形成最终的索引pop={'Nevada':{2001:2.4,2002:2.9},'Ohio':{2000:1.5,2001:1.7,2002:3.6}}

frame3= DataFrame(pop)#rint frame3#Dataframe也有行和列有name属性，DataFrame有value属性frame3.index.name='year'frame3.columns.name='state'print frame3print frame3.values

下面列出了DataFrame构造函数能够接受的各种数据。

索引对象

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#pandas索引对象负责管理轴标签和其他元数据，构建Series和DataFrame时，所用到的任何数组或其他序列的标签都被转换为Indexobj= Series(range(3),index= ['a','b','c'])

index= obj.index#print index#索引对象是无法修改的,这非常重要，因为这样才会使得Index对象在多个数据结构之间安全共享index1= pd.Index(np.arange(3))

obj2= Series([1.5,-2.5,0],index= index1)print obj2.index is index1#除了长得像数组，Index的功能也类似一个固定大小的集合print'Ohio' in frame3.columnsprint 2003 in frame3.index

pandas中的Index是一个类，pandas中主要的Index对象（什么时候用到）。

下面是Index的方法与属性，值得注意的是：index并不是数组。

2、基本功能

下面介绍基本的Series和 DataFrame数据处理手段。首先是索引：

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#Series有一个reindex函数，可以将索引重排，以致元素顺序发生变化obj= Series([1,2,3,4],index=['a','b','c','d'])#注意这里的reindex并不改变obj的值，得到的是一个“副本”#fill_value显然是填充空的index的值#print obj.reindex(['a','c','d','b','e'],fill_value= 0)#print objobj2= Series(['red','blue'],index=[0,4])#method= ffill，意味着前向值填充obj3= obj2.reindex(range(6),method='ffill')#print obj3#DataFrame的reindex可以修改行、列或者两个都改frame= DataFrame(np.arange(9).reshape((3,3)),index= ['a','c','d'],columns= ['Ohio','Texas','California'])#只是传入一列数，是对行进行reindex,因为...frame的行参数叫index...(我这么猜的)frame2= frame.reindex(['a','b','c','d'])#print frame2#当传入原来没有的index是，当然返回的是空NaN#frame3= frame.reindex(['e'])#print frame3states= ['Texas','Utah','California']#这是对行、列重排#注意：这里的method是对index也就是行进行的填充，列是不能填充的（不管method的位置如何）frame4= frame.reindex(index= ['a','b','c','d'],columns=states,method='ffill')#print frame4#使用ix的标签索引功能，重新索引变得比较简洁print frame.ix[['a','d','c','b'],states]

丢弃指定轴上的项

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#drop函数可以丢弃轴上的列、行值obj= Series(np.arange(3.),index= ['a','b','c'])#原Series并不丢弃obj.drop('b')#print obj#注意下面，行可以随意丢弃，列需要加axis= 1print frame.drop(['a'])print frame.drop(['Ohio'],axis= 1)

下面说索引、选取和过滤

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame

obj= Series([1,2,3,4],index=['a','b','c','d'])

frame= DataFrame(np.arange(9).reshape((3,3)),index= ['a','c','d'],columns= ['Ohio','Texas','California'])#Series切片和索引#print obj[obj< 2]#注意：利用标签的切片与python的切片不同，两端都是包含的（有道理）print obj['b':'c']#对于DataFrame，列可以直接用名称print frame['Ohio']#特殊情况：通过切片和bool型索引，得到的是行(有道理)print frame[:2]print frame[frame['Ohio']!= 0]#下面的方式是对frame所有元素都适用，不是行或者列,下面的得到的是numpy.ndarray类型的数据print frame[frame< 5],type(frame[frame< 5])

frame[frame< 5]= 0print frame#对于DataFrame上的标签索引，用ix进行print frame.ix[['a','d'],['Ohio','Texas']]print frame.ix[2]#注意这里默认取行#注意下面默认取行print frame.ix[frame.Ohio> 0]#注意下面的逗号后面是列标print frame.ix[frame.Ohio> 0,:2]

下面是常用的索引选项：

算术运算和数据对齐

#pandas有一个重要的功能就是能够根据索引自动对齐,其中索引不重合的部分值为NaNs1= Series([1,2,3],['a','b','c'])

s2= Series([4,5,6],['b','c','d'])#print s1+ s2df1= DataFrame(np.arange(12.).reshape(3,4),columns=list('abcd'))

df2= DataFrame(np.arange(20.).reshape(4,5),columns=list('abcde'))#print df1+ df2#使用add方法，并传入填充值,注意下面的fill_value函数是先对应填充再进行加和，而不是加和得到NaN之后再填充#print df1.add(df2,fill_value= 1000)#df1.reindex(columns= df2.columns,fill_value=0)

除了add之外，还有其他的方法：

DataFrame和Series之间的运算

#下面看一下DataFrame和Series之间的计算过程arr= DataFrame(np.arange(12.).reshape((3,4)),columns= list('abcd'))#下面的结果标明，就是按行分别相减即可，叫做 broadcasting#注意：默认情况下，DataFrame和Series的计算会将Series的索引匹配到DataFrame的列，然后进行计算，再沿着行一直向下广播#注意：下面的式子中，如果写arr- arr[0]是错的，因为只有标签索引函数ix后面加数字才表示行print arr- arr.ix[0]

Series2= Series(range(3),index= list('cdf'))#按照规则，在不匹配的列会形成NaN值print arr+ Series2#如果想匹配行且在列上广播，需要用到算术运算方法Series3= arr['d']#axis就是希望匹配的轴print arr.sub(Series3,axis= 0)

下面是函数应用和映射

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#NumPy的元素级数组方法也适用于pandas对象frame= DataFrame(np.random.randn(4,3),columns= list('abc'),index= ['Ut','Oh','Te','Or'])print frame#下面是求绝对值：#print np.abs(frame)#另一种常见的做法是：将一个函数应用到行或者列上,用apply方法，与R语言类似fun= lambda x:x.max()- x.min()#默认是应用在每一列上print frame.apply(fun)#下面是应用在列上print frame.apply(fun,axis= 1)#很多统计函数根本不用apply，直接调用方法就可以了print frame.sum()#除了标量值之外，apply函数后面还可以接返回多个值组成的的Series的函数,有没有很漂亮？def f(x): return Series([x.min(),x.max()],index= ['min','max'])#print frame.apply(f)#元素级的python函数也是可以用的，但是要使用applymap函数format= lambda x:'%.2f'% xprint frame.applymap(format)#之所以要用applymap是因为Series有一个应用于元素级函数的map方法？？#这里的map很有用print frame['b'].map(format)

排序与排名

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#用sort_index函数对行、列的索引进行排序obj= Series(range(4),index= ['d','a','b','c'])print obj.sort_index()

frame= DataFrame(np.arange(8).reshape((2,4)),index= ['three','one'],columns= ['d','a','b','c'])#默认是对行“索引”进行排序，如果对列“索引”进行排序，axis= 1即可print frame.sort_index()print frame.sort_index(axis= 1)print frame.sort_index(axis= 1,ascending= False)#如果对值进行排序，用的是order函数,注意所有的缺失值会放到最后（如果有的话）print obj.order()#numpy中的sort也可以用来排序print np.sort(obj)#如果相对DataFrame的值进行排序，函数还是sort_index，只不过后面需要加一个参数byframe= DataFrame({'b':[4,7,-3,2],'a':[0,1,0,1]})print frame.sort_index(by= ['a','b'])#rank函数返回从小到大排序的下标，对于平级的数，rank是通过“为各组分配一个平均排名”的方式破坏评级关系#下标从1开始obj= Series([7,-5,7,4,2,0,4])print obj.rank()#而numpy中的argsort函数比较奇怪，返回的是把数据进行排序之后，按照值得顺序对应的下标，下标从0开始print np.argsort(obj)#打印结果为：1,5,4,3,6,0,2按照这个下标顺序恰好可以得到从小打到的值，见下面print obj[np.argsort(obj)]#rank函数中有一个method选项，用来规定下标的方式print obj.rank(method='first',ascending=False)print obj.rank(method='max',ascending=False)print obj.rank(method='min',ascending=False)#对于DataFrame，rank函数默认把每一列排好并返回坐标print frame.rank()print frame.rank(axis= 1)

带有重复值的轴索引

#-*- encoding:utf-8-*-import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pandas import Series,DataFrame#虽然pandas的很多函数（如reindex）要求标签唯一，但是并不具有强制性obj= Series(range(5),index= list('aabbc'))print obj#索引是否唯一用is_unique看是否唯一print obj.index.is_unique#对于重复值的索引，选取的话返回一个Series，唯一的索引返回一个标量print obj['a']#对于DataFrame也是如此df= DataFrame(np.random.randn(4,3),index= list('aabb'))print dfprint df.ix['b']#####自己导入数据的时候数据处理之前可以做一下index唯一性等，自己创建DataFrame注意不能这样

3、汇总和计算描述统计

#-*- encoding:utf-8-*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#pandas对象拥有一组常用的数学和统计方法，大部分属于简约统计，用于从Series中提取一个值，或者从DataFrame中提取一列或者一行Series#注意：与NumPy数组相比，这些函数都是基于没有缺失数据的建设构建的，也就是说：这些函数会自动忽略缺失值。df= DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]],index= list('abcd'),columns=['one','two'])print df.sum()print df.sum(axis= 1)#下面是一些函数，idxmin和 idmax返回的是达到最小或者最大的索引print df.idxmin()print df.idxmin(axis=1)#关于累积型的函数print df.cumsum()#describe函数，与R语言中的describe函数基本相同print df.describe()#对于非数值型的数据，看看下面的结果obj= Series(['c','a','a','b','d']* 4)print obj.describe()'''结果为：

count 20

unique 4

top a

freq 8

其中，freq是指字母出现的最高频率'''

#-*- encoding:utf-8-*-import numpy as npimport osimport pandas as pdfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport time#下面看一下cummin函数#注意：这里的cummin函数是截止到目前为止的最小值，而不是加和以后的最小值frame= DataFrame([[1,2,3,4],[5,6,7,8],[-10,11,12,-13]],index= list('abc'),columns= ['one','two','three','four'])print frame.cummin()print frame

>>>

one two three four

a 1 2 3 4

b 1 2 3 4

c-10 2 3-13

one two three four

a 1 2 3 4

b 5 6 7 8

c-10 11 12-13