Python Pandas：DataFrameのインデックス削除テクニック – 詳細解説

Pythonのデータ分析ライブラリであるPandasは、データ操作と分析に強力な機能を提供します。中でもDataFrameは、表形式のデータを扱う上で中心的な存在です。DataFrameのインデックスは、行を識別し、アクセスするための重要な役割を果たしますが、状況によってはインデックスを削除したり、再構築したりする必要が生じます。

本記事では、Pandas DataFrameにおけるインデックス削除の様々なテクニックを、具体的なコード例と詳細な解説を交えながら紹介します。インデックス削除の基本的な方法から、特定の条件に基づいてインデックスを操作する方法、MultiIndexを扱う際の注意点まで、幅広くカバーします。

目次

1. DataFrameのインデックスとは
2. インデックスの役割と重要性
3. デフォルトインデックスとカスタムインデックス

4. インデックスの種類（RangeIndex, CategoricalIndex, DatetimeIndexなど）

5. インデックス削除の必要性

6. インデックスが分析に不要な場合
7. データの結合や集計におけるインデックスの衝突

8. インデックスの再構築の必要性

9. 基本的なインデックス削除テクニック

10. reset_index()メソッド：インデックスを列に変換
11. drop()メソッド：インデックスラベルを指定して削除
12. set_index()メソッド：既存の列をインデックスに設定

13. rename_axis()メソッド：インデックス名を変更

14. reset_index()メソッドの詳細解説

15. drop=Trueオプション：インデックスを完全に削除
16. inplace=Trueオプション：元のDataFrameを直接変更
17. MultiIndexを持つDataFrameでのreset_index()の挙動
18. levelオプション：特定のレベルのインデックスのみをリセット
19. col_levelオプション：カラムMultiIndexを持つ場合のインデックスのリセット

20. col_fillオプション：カラムMultiIndexを持つ場合のインデックスのリセット

21. drop()メソッドの詳細解説

22. indexパラメータ：削除するインデックスラベルの指定
23. columnsパラメータ：削除する列の指定（インデックスとは異なる）
24. inplace=Trueオプション：元のDataFrameを直接変更
25. MultiIndexを持つDataFrameでのdrop()の挙動

26. 特定の条件を満たす行のインデックスをdrop()で削除

27. set_index()メソッドの詳細解説

28. 単一の列をインデックスに設定
29. 複数の列をMultiIndexとして設定
30. drop=Trueオプション：インデックスに設定した列を削除
31. append=Trueオプション：既存のインデックスを保持したまま新しいインデックスを追加
32. verify_integrity=Trueオプション：インデックスの重複チェック

33. DatetimeIndexの作成とset_index()

34. rename_axis()メソッドの詳細解説

35. インデックス名の変更
36. カラム名の変更

37. 関数を使用したインデックス名の変更

38. MultiIndexの操作

39. MultiIndexの作成と構造
40. get_level_values()メソッド：特定のレベルの値を取得
41. droplevel()メソッド：特定のレベルを削除

42. swaplevel()メソッド：レベルの順番を入れ替え

43. 条件に基づいたインデックスの操作

44. ブールインデックスを使ったインデックスの選択

45. where()メソッドを使った条件付きインデックスの置換

46. インデックスの再構築

    • 連番インデックスへの再構築
    • カテゴリカルインデックスへの変換
    • DatetimeIndexへの変換とタイムゾーンの処理

47. パフォーマンスに関する考慮事項

    • インデックスの有無がパフォーマンスに与える影響
    • インデックスの最適化

48. 実践的なユースケース

    • データクレンジングにおけるインデックスの操作
    • 時系列データ分析におけるインデックスの活用
    • データの結合・集計におけるインデックスの役割

49. トラブルシューティング

    • インデックスの重複によるエラー
    • インデックスのデータ型不一致によるエラー
    • MultiIndexの操作におけるエラー

50. まとめと今後の展望

---

1. DataFrameのインデックスとは

DataFrameのインデックスは、Excelにおける行番号のようなもので、各行を識別するためのラベルとして機能します。インデックスは、データの検索、ソート、結合など、様々な操作において重要な役割を果たします。

1.1 インデックスの役割と重要性

• データの識別とアクセス: インデックスは、DataFrame内の特定の行を一意に識別するために使用されます。locアクセサを使用して、インデックスラベルに基づいてデータにアクセスできます。
• データの整合性: インデックスは、データの整合性を維持するために役立ちます。例えば、merge操作を実行する際に、インデックスに基づいて行を結合できます。
• データの並べ替え: インデックスに基づいてDataFrameをソートできます。
• 時系列データの処理: DatetimeIndexを使用することで、時系列データの分析が容易になります。

1.2 デフォルトインデックスとカスタムインデックス

Pandas DataFrameは、デフォルトでは0から始まる連番の整数をインデックスとして使用します（RangeIndex）。しかし、必要に応じて、既存の列をインデックスとして設定したり、カスタムのインデックスを作成したりすることができます。

例：デフォルトインデックス

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)
“`

出力：

Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

例：カスタムインデックス

python
df = pd.DataFrame(data, index=['A', 'B', 'C'])
print(df)

出力：

Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

1.3 インデックスの種類

Pandasは、様々な種類のインデックスをサポートしています。

• RangeIndex: 0から始まる連番の整数インデックス（デフォルト）。
• Int64Index: 整数型のインデックス。
• Float64Index: 浮動小数点型のインデックス。
• CategoricalIndex: カテゴリ型のインデックス。メモリ使用量を削減し、パフォーマンスを向上させるのに役立ちます。
• DatetimeIndex: 日時型のインデックス。時系列データの分析に最適です。
• PeriodIndex: 期間型のインデックス。
• MultiIndex: 複数のレベルを持つ階層的なインデックス。

2. インデックス削除の必要性

インデックスはDataFrameの操作に不可欠な要素ですが、場合によっては削除や再構築が必要になります。

2.1 インデックスが分析に不要な場合

インデックスが単なる連番であり、分析において意味を持たない場合、インデックスを削除することで、DataFrameをより扱いやすくすることができます。

2.2 データの結合や集計におけるインデックスの衝突

複数のDataFrameを結合したり、集計したりする際に、インデックスが重複したり、競合したりすることがあります。このような場合、インデックスをリセットしたり、再構築したりすることで、問題を解決できます。

2.3 インデックスの再構築の必要性

データのソート、フィルタリング、集計などの操作を行った後、インデックスが不連続になることがあります。このような場合、インデックスを再構築することで、DataFrameをより効率的に操作できます。

3. 基本的なインデックス削除テクニック

Pandasには、インデックスを操作するための様々なメソッドが用意されています。ここでは、基本的なインデックス削除テクニックを紹介します。

3.1 reset_index()メソッド：インデックスを列に変換

reset_index()メソッドは、インデックスをDataFrameの列に変換します。これにより、インデックスが通常の列として扱われるようになります。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_reset = df.reset_index()
print(df_reset)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

index Name Age City
0 A Alice 25 New York
1 B Bob 30 London
2 C Charlie 28 Paris
“`

3.2 drop()メソッド：インデックスラベルを指定して削除

drop()メソッドは、指定されたインデックスラベルを持つ行を削除します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_dropped = df.drop([‘A’, ‘C’])
print(df_dropped)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

Name Age City
B Bob 30 London
“`

3.3 set_index()メソッド：既存の列をインデックスに設定

set_index()メソッドは、既存の列をインデックスとして設定します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

df_set_index = df.set_index(‘Name’)
print(df_set_index)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

     Age      City

Name
Alice 25 New York
Bob 30 London
Charlie 28 Paris
“`

3.4 rename_axis()メソッド：インデックス名を変更

rename_axis()メソッドは、インデックスの名前を変更します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_renamed = df.rename_axis(‘ID’)
print(df_renamed)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

Name Age City
ID
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris
“`

4. reset_index()メソッドの詳細解説

reset_index()メソッドは、DataFrameのインデックスをリセットし、デフォルトの連番インデックス（RangeIndex）に戻すためのメソッドです。元のインデックスは、DataFrameの新しい列として追加されます。

4.1 drop=Trueオプション：インデックスを完全に削除

drop=Trueオプションを指定すると、元のインデックスがDataFrameの列として追加されずに、完全に削除されます。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_reset = df.reset_index(drop=True)
print(df_reset)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

  Name  Age      City

0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris
“`

4.2 inplace=Trueオプション：元のDataFrameを直接変更

inplace=Trueオプションを指定すると、新しいDataFrameを返す代わりに、元のDataFrameが直接変更されます。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df.reset_index(drop=True, inplace=True)
print(df)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

  Name  Age      City

0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris
“`

4.3 MultiIndexを持つDataFrameでのreset_index()の挙動

MultiIndexを持つDataFrameでreset_index()を使用すると、すべてのレベルのインデックスが列として追加されます。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

df_reset = df.reset_index()
print(df_reset)
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

Letter Number Value
0 A 1 10
1 A 2 20
2 B 1 30
3 B 2 40
“`

4.4 levelオプション：特定のレベルのインデックスのみをリセット

MultiIndexを持つDataFrameで、特定のレベルのインデックスのみをリセットしたい場合は、levelオプションを使用します。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

df_reset = df.reset_index(level=’Number’)
print(df_reset)
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

   Number  Value

Letter
A 1 10
A 2 20
B 1 30
B 2 40
“`

4.5 col_levelオプション：カラムMultiIndexを持つ場合のインデックスのリセット

カラムMultiIndexを持つDataFrameで、インデックスをリセットして、カラムの階層構造にどのように反映させるかを制御するために、col_levelオプションを使用できます。

4.6 col_fillオプション：カラムMultiIndexを持つ場合のインデックスのリセット

カラムMultiIndexを持つDataFrameで、col_levelオプションと組み合わせて、リセットされたインデックスの列名にどのような値を埋めるかを制御するために、col_fillオプションを使用できます。

5. drop()メソッドの詳細解説

drop()メソッドは、DataFrameから行または列を削除するための汎用的なメソッドです。インデックスラベルに基づいて行を削除する場合は、indexパラメータを使用します。

5.1 indexパラメータ：削除するインデックスラベルの指定

indexパラメータには、削除するインデックスラベルのリストまたは単一のラベルを指定します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_dropped = df.drop(index=[‘A’, ‘C’])
print(df_dropped)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

Name Age City
B Bob 30 London
“`

5.2 columnsパラメータ：削除する列の指定（インデックスとは異なる）

columnsパラメータは、削除する列の名前を指定するために使用します。インデックスの削除とは異なります。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

df_dropped = df.drop(columns=[‘Age’, ‘City’])
print(df_dropped)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

  Name

0 Alice
1 Bob
2 Charlie
“`

5.3 inplace=Trueオプション：元のDataFrameを直接変更

inplace=Trueオプションを指定すると、新しいDataFrameを返す代わりに、元のDataFrameが直接変更されます。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df.drop(index=[‘A’, ‘C’], inplace=True)
print(df)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

Name Age City
B Bob 30 London
“`

5.4 MultiIndexを持つDataFrameでのdrop()の挙動

MultiIndexを持つDataFrameでdrop()を使用する場合は、削除するインデックスラベルをタプルとして指定します。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

df_dropped = df.drop(index=[(‘A’, 1), (‘B’, 2)])
print(df_dropped)
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

        Value

Letter Number
A 2 20
B 1 30
“`

5.5 特定の条件を満たす行のインデックスをdrop()で削除

条件に基づいた行の削除には、ブールインデックスとdrop()を組み合わせる方法が便利です。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’, ‘David’],
‘Age’: [25, 30, 28, 35],
‘City’: [‘New York’, ‘London’, ‘Paris’, ‘Tokyo’]}

df = pd.DataFrame(data)
print(df)

30歳以上の人を削除

df_dropped = df.drop(df[df[‘Age’] >= 30].index)
print(df_dropped)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris
3 David 35 Tokyo

  Name  Age      City

0 Alice 25 New York
2 Charlie 28 Paris
“`

6. set_index()メソッドの詳細解説

set_index()メソッドは、DataFrameの既存の列をインデックスとして設定するためのメソッドです。これにより、指定された列がDataFrameのインデックスとなり、元の列は削除されます（drop=Trueがデフォルト）。

6.1 単一の列をインデックスに設定

最も基本的な使い方は、単一の列をインデックスとして設定することです。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

df_set_index = df.set_index(‘Name’)
print(df_set_index)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

     Age      City

Name
Alice 25 New York
Bob 30 London
Charlie 28 Paris
“`

6.2 複数の列をMultiIndexとして設定

複数の列をリストとしてset_index()に渡すと、MultiIndex（階層的なインデックス）が作成されます。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

df_set_index = df.set_index([‘City’, ‘Name’])
print(df_set_index)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

            Age

City Name
New York Alice 25
London Bob 30
Paris Charlie 28
“`

6.3 drop=Trueオプション：インデックスに設定した列を削除

drop=True（デフォルト）の場合、インデックスとして設定された列はDataFrameから削除されます。drop=Falseを指定すると、列はDataFrameに残ります。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

df_set_index = df.set_index(‘Name’, drop=False)
print(df_set_index)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

     Name  Age      City

Name
Alice Alice 25 New York
Bob Bob 30 London
Charlie Charlie 28 Paris
“`

6.4 append=Trueオプション：既存のインデックスを保持したまま新しいインデックスを追加

append=Trueオプションを指定すると、既存のインデックスを保持したまま、新しい列をインデックスの最下層に追加できます。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_set_index = df.set_index(‘Name’, append=True)
print(df_set_index)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

    Age      City

Name
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris
“`

6.5 verify_integrity=Trueオプション：インデックスの重複チェック

verify_integrity=Trueオプションを指定すると、新しいインデックスに重複する値がないかチェックされます。重複する値がある場合は、エラーが発生します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Alice’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

try:
df_set_index = df.set_index(‘Name’, verify_integrity=True)
print(df_set_index)
except ValueError as e:
print(e)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Alice 28 Paris

Index has duplicate entries
“`

6.6 DatetimeIndexの作成とset_index()

set_index()は、日付を表す列をDatetimeIndexに変換するのにも使用できます。

“`python
import pandas as pd

data = {‘Date’: [‘2023-10-26’, ‘2023-10-27’, ‘2023-10-28’],
‘Value’: [10, 20, 30]}

df = pd.DataFrame(data)
print(df)

df_set_index = df.set_index(pd.to_datetime(df[‘Date’]))
print(df_set_index)
“`

出力：

“`
Date Value
0 2023-10-26 10
1 2023-10-27 20
2 2023-10-28 30

        Date  Value

Date
2023-10-26 2023-10-26 10
2023-10-27 2023-10-27 20
2023-10-28 2023-10-28 30
“`

7. rename_axis()メソッドの詳細解説

rename_axis()メソッドは、インデックスやカラムの名前を変更するためのメソッドです。

7.1 インデックス名の変更

インデックスの名前を変更するには、rename_axis()に新しいインデックス名を渡します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data, index=[‘A’, ‘B’, ‘C’])
print(df)

df_renamed = df.rename_axis(‘ID’)
print(df_renamed)
“`

出力：

“`
Name Age City
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris

Name Age City
ID
A Alice 25 New York
B Bob 30 London
C Charlie 28 Paris
“`

7.2 カラム名の変更

カラムの名前を変更するには、axis='columns'またはaxis=1を指定して、rename_axis()に新しいカラム名を渡します。

“`python
import pandas as pd

data = {‘Name’: [‘Alice’, ‘Bob’, ‘Charlie’],
‘Age’: [25, 30, 28],
‘City’: [‘New York’, ‘London’, ‘Paris’]}

df = pd.DataFrame(data)
print(df)

df_renamed = df.rename_axis(‘People’, axis=’columns’)
print(df_renamed)
“`

出力：

“`
Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris

People Name Age City
0 Alice 25 New York
1 Bob 30 London
2 Charlie 28 Paris
“`

7.3 関数を使用したインデックス名の変更

関数をrename_axis()に渡すと、インデックス名に関数を適用できます。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

df_renamed = df.rename_axis(lambda x: x.upper())
print(df_renamed)
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

        Value

LETTER NUMBER
A 1 10
2 20
B 1 30
2 40
“`

8. MultiIndexの操作

MultiIndexは、複数のレベルを持つ階層的なインデックスです。複雑なデータの構造を表現するのに役立ちます。

8.1 MultiIndexの作成と構造

MultiIndexは、pd.MultiIndex.from_tuples(), pd.MultiIndex.from_product(), pd.MultiIndex.from_frame()などの関数を使用して作成できます。

“`python
import pandas as pd

タプルからMultiIndexを作成

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
print(index)

直積からMultiIndexを作成

index = pd.MultiIndex.from_product([[‘A’, ‘B’], [1, 2]], names=[‘Letter’, ‘Number’])
print(index)

DataFrameからMultiIndexを作成

df_index = pd.DataFrame({‘Letter’: [‘A’, ‘A’, ‘B’, ‘B’], ‘Number’: [1, 2, 1, 2]})
index = pd.MultiIndex.from_frame(df_index, names=[‘Letter’, ‘Number’])
print(index)
“`

出力：

MultiIndex([('A', 1),
('A', 2),
('B', 1),
('B', 2)],
names=['Letter', 'Number'])
MultiIndex([('A', 1),
('A', 2),
('B', 1),
('B', 2)],
names=['Letter', 'Number'])
MultiIndex([('A', 1),
('A', 2),
('B', 1),
('B', 2)],
names=['Letter', 'Number'])

8.2 get_level_values()メソッド：特定のレベルの値を取得

get_level_values()メソッドは、MultiIndexの特定のレベルの値をNumPy配列として取得します。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

print(df.index.get_level_values(‘Letter’))
print(df.index.get_level_values(‘Number’))
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

Index([‘A’, ‘A’, ‘B’, ‘B’], dtype=’object’, name=’Letter’)
Int64Index([1, 2, 1, 2], dtype=’int64′, name=’Number’)
“`

8.3 droplevel()メソッド：特定のレベルを削除

droplevel()メソッドは、MultiIndexから特定のレベルを削除します。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

df_dropped = df.droplevel(‘Number’)
print(df_dropped)
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

    Value

Letter
A 10
A 20
B 30
B 40
“`

8.4 swaplevel()メソッド：レベルの順番を入れ替え

swaplevel()メソッドは、MultiIndexのレベルの順番を入れ替えます。

“`python
import pandas as pd

index = pd.MultiIndex.from_tuples([(‘A’, 1), (‘A’, 2), (‘B’, 1), (‘B’, 2)], names=[‘Letter’, ‘Number’])
data = {‘Value’: [10, 20, 30, 40]}
df = pd.DataFrame(data, index=index)
print(df)

df_swapped = df.swaplevel(‘Letter’, ‘Number’)
print(df_swapped)
“`

出力：

“`
Value
Letter Number
A 1 10
2 20
B 1 30
2 40

        Value

Number Letter
1 A 10
A 20
1 B 30
B 40
“`

9. 条件に基づいたインデックスの操作

条件に基づいてインデックスを選択したり、置換したりすることができます。

9.1 ブールインデックスを使ったインデックスの選択

ブールインデックスを使って、特定の条件を満たすインデックスを選択できます。

“`python
import pandas as pd

index = [‘A’, ‘B’, ‘C’, ‘D’]
data = {‘Value