层次化索引

层次化索引是pandas的一项重要功能，它使你能在一个轴上拥有多个（两个以上）索引级别。抽象点说，它使你能以降低唯独形式处理高维度数据。

带有MultiIndex索引的Series的格式化输出格式。索引之间的"间隔"表示"直接使用上面的标签"：

对于一个层次化的索引的对象，选取数据子集的操作很简单：

有时甚至还可以在"内层"中进行选取：

层次化索引在数据重塑和基于分组的操作（如透视表生成）中扮演着重要的角色。比如，这段数据可以通过其unstack方法被重新安排到一个DataFrame中：

unstack的运算是stack

对于一个DataFrame，每条轴都可以有分层索引：

各层都可以有名字（可以是字符串，也可以是别的Python对象）。如果指定了名称，它们就会显示在控制台输出中（不要将索引名称跟轴标签混为一谈）：

由于有了分部的列索引，因此可以轻松的选取列分组：

可以单独创建MultiIndex然后复用。上面那个DataFrame中的（分级的）列可以这样创建：

重新分级顺序
有时，你需要重新调整某条轴上各级别的顺序，或根据指定级别上的值 对数据进行排序。swaplevel接受两个级别编号或名称，并返回一个互换了级别的新对象（但数据不会发生变化）：

而sortlevel则根据单个级别中的值对数据进行排序（稳定的）。交换级别时，常常也会用到sortlevel，这样最终结果就是有序的了：

根据级别汇总统计
许多对DataFrame和Series的描述和汇总统计都有一个level选项，它用于指定在某条轴上求和的级别。

使用DataFrame的列
人们经常想要将DataFrame的一个或多个列当行索引来用，或者可能希望将行索引变成DataFrame的列。以下面这个DataFrame为例：

DataFrame的set_index函数会将其中一个或多个列转换为行索引，并创建一个新的DataFrame.

默认情况下，那些列会从DataFrame中移除，但可以将其保留下来。

reset_index的功能跟set_index刚好相反，层次化索引的级别会被转移到列里面：