Python案例如何用Pandas做数据重置索引

wen python案例 2026-07-15 1

本文目录导读：

基本重置索引：reset_index()
重要参数使用
实际应用场景
与其他操作的结合
常见问题处理
性能优化建议

我来详细介绍Pandas中数据重置索引的各种方法和使用案例。

基本重置索引：`reset_index()`

基础用法

import pandas as pd
import numpy as np
# 创建示例数据
df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8],
    'C': [9, 10, 11, 12]
}, index=['a', 'b', 'c', 'd'])
print("原始数据:")
print(df)
print()
# 重置索引
df_reset = df.reset_index()
print("重置索引后:")
print(df_reset)

输出：

原始数据:
   A  B   C
a  1  5   9
b  2  6  10
c  3  7  11
d  4  8  12
重置索引后:
  index  A  B   C
0     a  1  5   9
1     b  2  6  10
2     c  3  7  11
3     d  4  8  12

重要参数使用

`drop=True`：丢弃原索引

# 丢弃原有索引，不保留为列
df_drop = df.reset_index(drop=True)
print("丢弃原索引:")
print(df_drop)

输出：

丢弃原索引:
   A  B   C
0  1  5   9
1  2  6  10
2  3  7  11
3  4  8  12

`inplace=True`：原地修改

# 原地修改DataFrame
df_copy = df.copy()
df_copy.reset_index(inplace=True)
print("原地修改:")
print(df_copy)

自定义列名

# 给重置的索引列设置新名称
df_custom = df.reset_index(names=['new_index'])
print("自定义列名:")
print(df_custom)

输出：

自定义列名:
  new_index  A  B   C
0         a  1  5   9
1         b  2  6  10
2         c  3  7  11
3         d  4  8  12

实际应用场景

场景1：分组后重置索引

# 创建销售数据
sales_data = pd.DataFrame({
    '商品': ['苹果', '香蕉', '苹果', '香蕉', '苹果', '香蕉'],
    '销量': [100, 200, 150, 180, 120, 160],
    '月份': [1, 1, 2, 2, 3, 3]
})
print("原始数据:")
print(sales_data)
print()
# 分组统计后重置索引
grouped = sales_data.groupby('商品')['销量'].sum().reset_index()
print("分组统计并重置索引:")
print(grouped)

输出：

原始数据:
   商品  销量  月份
0  苹果  100   1
1  香蕉  200   1
2  苹果  150   2
3  香蕉  180   2
4  苹果  120   3
5  香蕉  160   3
分组统计并重置索引:
   商品  销量
0  苹果  370
1  香蕉  540

场景2：多层索引重置

# 创建多层索引DataFrame
arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]
index = pd.MultiIndex.from_arrays(arrays, names=['group', 'sub'])
df_multi = pd.DataFrame({
    'value': [10, 20, 30, 40]
}, index=index)
print("多层索引数据:")
print(df_multi)
print()
# 重置多层索引
df_multi_reset = df_multi.reset_index()
print("重置多层索引:")
print(df_multi_reset)

输出：

多层索引数据:
           value
group sub       
A     1       10
      2       20
B     1       30
      2       40
重置多层索引:
  group  sub  value
0     A    1     10
1     A    2     20
2     B    1     30
3     B    2     40

场景3：删除缺失值后的重置

# 创建包含缺失值的数据
df_missing = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5],
    'B': [5, np.nan, 7, 8, 9],
    'C': [9, 10, 11, np.nan, 13]
}, index=['a', 'b', 'c', 'd', 'e'])
print("带缺失值的数据:")
print(df_missing)
print()
# 删除缺失值并重置索引
df_clean = df_missing.dropna().reset_index(drop=True)
print("删除缺失值后重置索引:")
print(df_clean)

与其他操作的结合

排序后重置

# 创建无序数据
df_unsorted = pd.DataFrame({
    'score': [85, 92, 78, 95, 88]
}, index=[2, 4, 1, 5, 3])
print("无序数据:")
print(df_unsorted)
print()
# 排序后重置索引
df_sorted = df_unsorted.sort_values('score', ascending=False).reset_index(drop=True)
print("排序后重置索引:")
print(df_sorted)

筛选后重置

# 筛选数据后重置索引
df_filtered = df_unsorted[df_unsorted['score'] > 85].reset_index(drop=True)
print("筛选后重置索引:")
print(df_filtered)

常见问题处理

保持原始顺序

# 先保存原始索引，重置后还原
df_temp = df.copy()
df_temp['original_index'] = df_temp.index
df_temp = df_temp.reset_index(drop=True)
# 后续操作后可以通过original_index列恢复
print("保留原始索引信息:")
print(df_temp)

多级索引选择性重置

# 只重置某一级索引
df_multi_partial = df_multi.reset_index(level='sub')
print("只重置sub层级:")
print(df_multi_partial)

性能优化建议

import time
# 大数据集时使用inplace提高效率
large_df = pd.DataFrame(np.random.randn(10000, 5))
# 方法1：使用inplace
start = time.time()
large_df.reset_index(inplace=True)
print(f"inplace方法耗时: {time.time() - start:.6f}秒")
# 方法2：不使用inplace
large_df2 = pd.DataFrame(np.random.randn(10000, 5))
start = time.time()
large_df2 = large_df2.reset_index()
print(f"赋值方法耗时: {time.time() - start:.6f}秒")

主要应用场景：