1、pandas層級索引
pandas的層級索引對象就是MulitIndex。設置多個索引列需要使用set_index()方法，當要多層級索引進行排序時需要使用sort_index()方法。
【set_index()】
def set_index(self, keys, drop=True, append=False, inplace=False,
verify_integrity=False):
對源碼中set_index()參數說明
（1）drop參數：刪除要作用的索引列
（2）append參數：向現有追加索引列
設置多個索引列使用set_index( ['外層索引','內層索引']，inplace=True) 方法；參數inplace爲True表示直接修改DataFrame對象無法返回值。
【選取子集】
（1）取外層索引就是：loc['outer_index']，就是set_index()方法寫在前面的索引；
（2）取內層索引：loc['outer_index','inner_index']；取內層索引必須先寫外層索引。
【sort_index()方法】
def sort_index(self, axis=0, level=None, ascending=True, inplace=False,
kind='quicksort', na_position='last', sort_remaining=True,
by=None)
通過上面的源碼我們發現sort_index()方法的level參數默認值爲None，但是需要我們注意的level值跟我們設置set_index()方法設置的多個索引列的個數一致性，就是設置幾個索引列level參數就可以爲幾，只不過level是從0開始的。
import pandas as pd
# 文件路徑
filename = "./happiness.csv"
# usecols=[] 參數表示讀取指定列數據
data = pd.read_csv(filename,usecols=['Country', 'Region', 'Happiness Rank', 'Happiness Score'])
# 設置多個索引列，一般設置多個索引列時，這個列表中大分類在前面小分類在後面，否則設置無意義。
data.set_index(['Region', 'Country'],inplace=True) # inplace=True表示直接修改dataframe數據
# 外層選擇，也就是set_index()設置多個索引列的中最前面的一個索引
# print(data.loc['Western Europe']) # 結果是dataframe對象
print("="*90)
# 內層選取
# print(data.loc['Australia and New Zealand', 'New Zealand']) # 結果是Series對象
# swaplevel()方法交換層級，就是交換內外層進行交換。
print(data.swaplevel())
# 層級索引排序;我們在set_index()中設置幾個索引列，這裏的level就可以設置值就是對應的個數，只是level從0開始，0表示最外層索引列
print(data.sort_index(level=0).head(10)) # level默認值爲None
2、分組和聚合
分組：對數據集體進行分組，然後對每組進行統計分析。pandas利用groupby()方法進行更加複雜的分組運算。分組的運算過程一般是split--->apply--->combine。
（1）拆分：進行分組的根據；
（2）應用：每個分組運算的計算規則；
（3）合併：把每個分組的計算結果合併。
聚合：數組產生標量的過程，如mean()/count()等。常用於分組後的數據進行計算；內置的聚合函數有sum()/max()/min()等。
2.1、分組操作
【按單列分組】使用DataFrame對象的groupby(''label")。
【按多列分組】使用DataFrame對象的groupby( ["label1", "label2"] )--->多層dataframe。
我們需要注意的是在使用groupby()方法操作後產生的是一個GroupBy對象；DataFrameGroupBy或者SeriesGroupBy。GroupBy對象沒有進行實際的運算，只是包含分組的中間數據。
【對GroupBy對象進行分組聚合操作】
（1）常用的聚合操作：mean()/sum()/size()/min()/count()。
（2）非數值數據不進行分組運算。
2.2、聚合操作