索引是DataFrame和Series的行标签，并且可以有一个或多个索引。如果DataFrame和Series有一个索引，称作单级别索引；如果有多个索引，称作多级别索引。索引类似于DataFrame和Sereis的一列数据，可以有多种数据类型。索引的类型有：整数索引（Numeric Index）、分类索引（Category Index）、日期时间索引（DateTime Index、Timedelta Index）、时期索引（Period Index）、范围索引（Range Index）、间隔索引（Interval Index）、多级索引（Multi-level Index）。
多级索引（Multi-Level Index）是指序列（Series）或数据框（DataFrame）有多个索引，多级索引类似于二维关系表，也就是说，Series或DataFrame有一个类似于DataFrame结构的索引。
最常用的索引是整数索引、分类索引和日期索引。
一，基础函数
用于创建索引的最基础的构造函数：
pandas.Index(data,dtype=object,copy,name,tupleize_cols=True)
参数注释：
- data：类似于一维数组的对象，用于创建索引，索引是有序的。
- dtype：默认值是object，用于表示索引元素的类型
- copy：对输入的data进行复制
- name：索引的名称，默认值是Index
- tupleize_cols：如果设置为True，尝试创建多级索引（MultiIndex）。
举个例子，创建一个整数索引：
>>> pd.Index([1, 2, 3]) Int64Index([1, 2, 3], dtype='int64')
二，索引的属性
索引类似于二维关系表的一列，具有特定的属性：
- values：索引的值
- is_monotonic、is_monotonic_increasing、is_monotonic_decreasing：单调
- is_nuique、has_duplicates：唯一值、重复值，
- hasnans：是否有NA值
- dtype：索引元素的数据类型
- name：索引的名称属性，
- names：如果索引是多级（MultiLevel）的，那么每一级都有一个name
- size：索引元素的数量
- T：索引的转置
三，索引的缺失值
检查缺失值，isna() 对索引中的每个值进行检查，当值是NA时，返回True；当值不是NA时，返回False。 notna()对索引中的每个值进行检查，当值不是NA时，返回True；当值是NA时，返回False。
Index.isna(self)
Index.notna(self)
填充缺失值，用标量值来填充NA值，downcast表示向下类型兼容：
Index.fillna(self, value=None, downcast=None)
删除缺失值，参数how表示如何删除缺失值，有效值是any和all：
Index.dropna(self, how='any')
四，索引的排序
按照索引的值进行排序，但是返回索引值的下标，参数 *args和 **kwargs都是传递给numpy.ndarray.argsort函数的参数。
Index.argsort(self, *args, **kwargs)
按照索引的值进行排序，返回排序的副本，参数return_indexer 表示是否返回索引值的下标：
Index.sort_values(self, return_indexer=False, ascending=True)
举个例子，有如下索引：
>>> idx = pd.Index(['b', 'a', 'd', 'c']) Index(['b', 'a', 'd', 'c'], dtype='object')
按照索引值进行排序，返回排序索引的下标：
>>> order = idx.argsort() >>> order array([1, 0, 3, 2])
通过下标来查看索引的排序值：
>>> idx[order] Index(['a', 'b', 'c', 'd'], dtype='object')
当然，也可以直接返回已排序的索引：
>>> idx.sort_values() Index(['a', 'b', 'c', 'd'], dtype='object')
如果要返回已排序的索引和对应的下标，需要设置参数return_indexer=True：
>>> idx.sort_values(return_indexer=True) (Index(['a', 'b', 'c', 'd'], dtype='object'), array([1, 0, 3, 2], dtype=int64))
五，索引的转换
可以把索引转换为List、DataFrame、序列、数组（ndarray）等，ravel()函数用于把索引值展开成数组形式。
Index.to_list(self) Index.to_frame(self, index=True, name=None) Index.to_series(self, index=None, name=None) Index.ravel(self, order='C')
把索引值的类型转换为指定的类型：
Index.astype(self, dtype, copy=True)
六，索引值的操作
对索引值可以进行一系列的操作，下面列出最常用的索引操作的函数：
1，返回索引值的最大值或最小值所在的索引
Index.argmin(self, axis=None, skipna=True, *args, **kwargs)
Index.argmax(self, axis=None, skipna=True, *args, **kwargs)
2，删除索引值
删除指定的索引值
Index.delete(self, loc) Index.drop(self, labels, errors='raise')
3，重复值
drop_duplicates()函数用于把重复的值删除，keep参数的有效值是first、false和False，frist表示保留第一次、last表示保留最后一次、False表示把重复的值删除。
Index.drop_duplicates(self, keep='first')
检查索引值是否是重复的，当出现重复值时，把索引值相应位置的值设置为True。
Index.duplicated(self, keep='first')
4，插入新值
Index.insert(self, loc, item)
5，重命名索引的name属性
Index.rename(self, name, inplace=False)
6，索引的唯一值
Index.unique(self, level=None)
7，获取索引的下标
第一种方式是传递索引值列表：
Index.get_indexer(self, target, method=None, limit=None, tolerance=None)
参数注释:
target：索引列表
method：None, ‘pad’/’ffill’, ‘backfill’/’bfill’, ‘nearest’
- None表示完全匹配：
- pad/ffill：如果没有匹配，找到前一个非NA值
- backfill/bfill：如果没有匹配到，找到后一个非NA值
- nearest：如果没有匹配，找到最近的非NA值
limit：在target中不能完全匹配的连续标签的最大数量
tolerance：不能完全匹配的原始索引和新索引之间的最大距离， 匹配位置处的索引值最满足方程 abs（index [indexer]-target）<=tolerance。
第二种方式是传递一个索引的标量值，返回该标量值在索引中的位置：
Index.get_loc(self, key, method=None, tolerance=None)
七，其他类型的索引
- 1，整数索引
- 2、分类索引
- 3，日期索引
参考文档：
pandas index