hierarchical indexing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。它能让你以低维度形式处理高维度数据。
例：创建一个Series，并用一个由列表或数组组成的列表作为索引：
In [80]: data = Series(np.random.randn(10), index=[['a','a','a','b','b','b','c','c','d','d’], [1,2,3,1,2,3,1,2,2,3]])
In [81]: data
Out[81]:
a 1 0.659838
2 -0.530732
3 0.862788
b 1 -0.678278
2 1.189240
3 0.167645
c 1 1.740861
2 0.144723
d 2 1.153850
3 0.686639
dtype: float64
这就是带有MultiIndex索引的Series的格式化输出形式；索引之间的“间隔”表示“直接使用上面的标签”：
In [82]: data.index
Out[82]:
MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],
labels=[[0, 0, 0, 1, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 1, 2, 0, 1, 1, 2]])
对于一个层次化索引对象选取子集：
In [83]: data['b']
Out[83]:
1 -0.678278
2 1.189240
3 0.167645
dtype: float64
In [84]: data['b':'d']
Out[84]:
b 1 -0.678278
2 1.189240
3 0.167645
c 1 1.740861
2 0.144723
d 2 1.153850
3 0.686639
dtype: float64
有时甚至还可以在“内层”中进行选取：
In [85]: data[:,2]
Out[85]:
a -0.530732
b 1.189240
c 0.144723
d 1.153850
dtype: float64
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。
比如说，这段数据可以通过unstack方法被重新安排到一个DataFrame中：
In [86]: data.unstack()
Out[86]:
1 2 3
a 0.659838 -0.530732 0.862788
b -0.678278 1.189240 0.167645
c 1.740861 0.144723 NaN
d NaN 1.153850 0.686639
unstack的逆运算是stack：
对于DataFrame，每条轴都可以有分层索引：
In [88]: frame = DataFrame(np.arange(12).reshape((4,3)), index=[['a','a','b','b'], [1,2,1,2]], columns=[['Ohio','Ohio','Colorado'],['Green','Red','Green']])
In [89]: frame
Out[89]:
Ohio Colorado
Green Red Green
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11
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（注意区别索引名称跟轴标签！）：
In [90]: frame.index.names = ['key1', 'key2']
In [93]: frame.columns.names = ['state', 'color']
In [94]: frame
Out[94]:
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11
由于有了分部的列索引，因此可以轻松选取列分组：
In [95]: frame['Ohio']
Out[95]:
color Green Red
key1 key2
a 1 0 1
2 3 4
b 1 6 7
2 9 10
可以单独创建MultiIndex然后复用：
columns = pd.MultiIndex.from_arrays([['Ohio','Ohio','Colorado'],['Green','Red','Green'] ...: ], names=['state','color'])
重新分级排序：
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接受两个编号或名称，并返回一个互换了级别的新对象：
In [102]: frame.swaplevel('key1', 'key2')
Out[102]:
state Ohio Colorado
color Green Red Green
key2 key1
1 a 0 1 2
2 a 3 4 5
1 b 6 7 8
2 b 9 10 11
sort_index则根据单个级别中的值对数据进行排序（稳定的）：
In [103]: frame.sortlevel(1)
/Users/suhang/anaconda3/bin/ipython:1: FutureWarning: sortlevel is deprecated, use sort_index(level= ...)
#!/Users/suhang/anaconda3/bin/python
Out[103]:
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
b 1 6 7 8
a 2 3 4 5
b 2 9 10 11
In [104]: frame.swaplevel(0,1).sort_index(0)
Out[104]:
state Ohio Colorado
color Green Red Green
key2 key1
1 a 0 1 2
b 6 7 8
2 a 3 4 5
b 9 10 11
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。
In [105]: frame
Out[105]:
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11
根据行或列上的级别进行求和：
In [107]: frame.sum(level='key2')
Out[107]:
state Ohio Colorado
color Green Red Green
key2
1 6 8 10
2 12 14 16
In [110]: frame.sum(level='color', axis=1)
Out[110]:
color Green Red
key1 key2
a 1 2 1
2 8 4
b 1 14 7
2 20 10
其实就是利用了pandas的groupby功能，稍后讲。
使用DataFrame的列：
人们经常想将DataFrame的一个或多个列当做行索引来用，或者将行索引变成DataFrame的列：
In [111]: frame = DataFrame({'a':range(7), 'b':range(7,0,-1), 'c':['one', 'one', 'one', 'two', 'two', 'two', 'two'], 'd':[0,1,2,0,1,2,3]})
In [112]: frame
Out[112]:
a b c d
0 0 7 one 0
1 1 6 one 1
2 2 5 one 2
3 3 4 two 0
4 4 3 two 1
5 5 2 two 2
6 6 1 two 3
set_index函数会将其一个或多个列转换为行索引，并创建一个新的DataFrame：
In [113]: frame2 = frame.set_index(['c','d'])
In [114]: frame2
Out[114]:
a b
c d
one 0 0 7
1 1 6
2 2 5
two 0 3 4
1 4 3
2 5 2
3 6 1
默认情况下，那些列会被移除，也可以保留下来，drop=False：
In [115]: frame.set_index(['c','d'], drop=False)
Out[115]:
a b c d
c d
one 0 0 7 one 0
1 1 6 one 1
2 2 5 one 2
two 0 3 4 two 0
1 4 3 two 1
2 5 2 two 2
3 6 1 two 3
reset_index的功能跟set_index相反，层次化索引的级别会被移到列里面：
In [116]: frame2.reset_index()
Out[116]:
c d a b
0 one 0 0 7
1 one 1 1 6
2 one 2 2 5
3 two 0 3 4
4 two 1 4 3
5 two 2 5 2
6 two 3 6 1
