在很多应用中，数据通常散落在不同的文件或数据库中，并不方便进行分析。 join：连接 combine：合并 reshape：整形 merge：归并 concatenate：串联 pivot：旋转 stack：堆叠
Hierarchical Indexing（分层索引）
Hierarchical Indexing是pandas中一个重要的特性，能让我们在一个轴（axis）上有多个index levels（索引层级）。它可以让我们在低维格式下处理高维数据。这里给出一个简单的例子，构建一个series，其index是a list of lists:
import pandas as pd
import numpy as np
data = pd.Series(np.random.randn(9),
index=[['a', 'a', 'a', 'b', 'b', 'c', 'c', 'd', 'd'],
[1, 2, 3, 1, 3, 1, 2, 2, 3]])
data
a 1 -0.438701
2 0.258622
3 -0.430751
b 1 -0.712747
3 -0.576042
c 1 -0.590258
2 -1.194804
d 2 0.645528
3 -0.656554
dtype: float64
其中我们看到的是把MultiIndex作为index(索引)的，美化过后series。
data.index
MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],
codes=[[0, 0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 2, 0, 1, 1, 2]])
对于这种分层索引对象，partial indexing（部分索引）也是能做到的，这种方法可以让我们简洁地选中数据的一部分：
data['b']
1 -0.712747
3 -0.576042
dtype: float64
data[1]
0.2586224816663655
data['b':'c']
b 1 -0.712747
3 -0.576042
c 1 -0.590258
2 -1.194804
dtype: float64
data.loc[['b','d']]
b 1 -0.712747
3 -0.576042
d 2 0.645528
3 -0.656554
dtype: float64
selection（选中）对于一个内部层级（inner level）也是可能的：
data.loc[:,2]
a 0.258622
c -1.194804
d 0.645528
dtype: float64
分层索引的作用是改变数据的形状，以及做一些基于组的操作（group-based）比如做一个数据透视表（pivot table）。例子，我们可以用unstack来把数据进行重新排列，产生一个DataFrame：
data.unstack()
123
a-0.4387010.258622-0.430751
b-0.712747NaN-0.576042
c-0.590258-1.194804NaN
dNaN0.645528-0.656554
data.unstack().isnull().sum(axis=0)
1 1
2 1
3 1
dtype: int64
对于dataframe，任何一个axis(轴)都可以有一个分层索引：
frame = pd.DataFrame(np.arange(12).reshape((4,3)),
index=[['a','a','b','b'],[1,2,1,2]],
columns=[['Ohio', 'Ohio', 'Colorado'],
['Green', 'Red', 'Green']])
每一层级都可以有一个名字（字符串或任何python对象）。如果有的话，这些会显示在输出中：
这里我们要注意区分行标签(row label)中索引的名字'state'和'color'。
如果想要选中部分列(partial column indexing)的话，可以选中一组列（groups of columns）:
MultiIndex能被同名函数创建，而且可以重复被使用；在DataFrame中给列创建层级名可以通过以下方式：
Reordering and Sorting Levels（重排序和层级排序）
有时候我们需要在一个axis（轴）上按层级进行排序，或者在一个层级上，根据值来进行排序。swaplevel会取两个层级编号或者名字，并返回一个层级改变后的新对象（数据本身并不会被改变）：
另一方面，sort_index则是在一个层级上，按数值进行排序。比如在交换层级的时候，通常也会使用sort_index，来让结果按指示的层级进行排序：
如果index是按词典顺序那种方式来排列的话（比如从外层到内层按a,b,c这样的顺序），在这种多层级的index对象上，数据选择的效果会更好一些。这是我们调用sort_index(level=0) or sort_index()
Summary Statistics by Level (按层级来归纳统计数据)
在DataFrame和Series中，一些描述和归纳统计数据都是有一个level选项的，这里我们可以指定在某个axis下，按某个level（层级）来汇总。比如上面的DataFrame，我们可以按 行 或 列的层级来进行汇总：
Indexing with a DataFrame’s columns（利用DataFrame的列来索引）
把DataFrame里的一列或多列作为行索引（row index）是一件很常见的事；另外，我们可能还希望把行索引变为列。这里有一个例子：
DataFrame的set_index会把列作为索引，并创建一个新的DataFrame：
默认删除原先的列，当然我们也可以留着：
另一方面，reset_index的功能与set_index相反，它会把多层级索引变为列：
