Python 为什么熊猫小组把轴的顺序搞砸了？

在一个熊猫面板上，轴的顺序看起来真的很混乱。为什么是这样

我的意思是：

In [120]: import pandas as pd

In [121]: import numpy as np

In [122]: pnl = pd.Panel(np.random.randn(33, 55, 77))

In [123]: pnl.shape
Out[123]: (33, 55, 77)

In [124]: pnl[0].shape
Out[124]: (55, 77)

In [125]: pnl[0][0].shape
Out[125]: (55,)

因此，它分别从轴0、1、2的形状（33、55、77）开始。伟大的如果我使用

pnl[0]

删除索引，它将删除第一个轴（长度33），并保留形状（55,77）。还是很好。但是当我用

pnl[0][0]

取下另一个索引时，它并没有像我合理预期的那样取下前两个轴（长度33,55）并留下形状（77，）。不。它决定，这一次，它将去掉最后一个轴，而不是第一个轴，并给我留下形状（55，）。呵呵？！？！为什么会这样混乱？有人能给我解释一下这背后的设计逻辑吗

另外，我真的很想使用面板，但现在我不使用它，因为这个轴的问题。它有时会使代码变得不必要的混乱

更新：

F先生在下面给出了一个答案，基本上建议一致使用

pnl.ix[…]

，而不是使用

pnl[…]

。所以，我试了一下。然而，我仍然遇到了非常奇怪/令人困惑的行为

下面是一个示例，使用与上面定义的相同的

pnl

对象：

In [220]: pnl.shape
Out[220]: (33, 55, 77)

In [221]: pnl.ix[:, 0, 0].shape
Out[221]: (33,)

In [222]: pnl.ix[0, :, 0].shape
Out[222]: (55,)

In [223]: pnl.ix[0, 0, :].shape
Out[223]: (77,)

In [224]: pnl.ix[:, :, 0].shape
Out[224]: (55, 33)

In [225]: pnl.ix[:, 0, :].shape
Out[225]: (77, 33)

In [226]: pnl.ix[0, :, :].shape
Out[226]: (55, 77)

---

当我取下2个轴，只留下1个轴（上面的命令221-223）时，一切看起来都很棒。但是，当我取下一个轴，留下两个轴（上面的命令224-226）时，得到的形状再次变得毫无意义。很难理解和习惯结果形状如何神奇地交换轴顺序，但只是有时！（具体来说，命令226的结果形状（55，77）与我的预期相符。但是，在命令224中，我预期结果形状（33，55）不是（55，33）；在命令225中，我预期结果形状（33，77）不是（77，33）。

问题在于项获取语法（使用方括号获取维度

[]

）这不是你想要的那种东西。您要做的是确保按照指定的维度对数据进行子索引

为此，您可以使用

ix

：

 pnl.ix[0, 0].shape
 (77,)

通过查看您尝试过的每种方法的

类型

，您可以了解到这一点：

In [71]: type(pnl.ix[0, 0])
Out[71]: pandas.core.series.Series

In [72]: type(pnl.ix[0])
Out[72]: pandas.core.frame.DataFrame

In [73]: type(pnl[0])
Out[73]: pandas.core.frame.DataFrame

特别是最后两个正在查看相同的子数据表，但是考虑到：

之间的区别。

(pnl[0])[0]
# Or, (pnl.ix[0])[0]

及

在第一种情况下，您说的是“嘿，继续并完全执行操作”

pnl[0]

，然后返回任何内容，然后继续并再次获取第0个元素”

由于

pnl[0]

是一个数据帧，因此额外的

[0]

项get操作将与任何旧数据帧的

df[0]

操作相同，如果该列存在，它将尝试提取该列。列维度将是结果数据帧的第一个维度，这就是为什么它的长度为55，而不是行长度为77

主要的一点是，在Python中，说

foo[x]

仅仅意味着“调用

foo

的特殊

\uuuu getitem\uuuu

方法，并将

x

作为参数”，仅此而已。如果与DataFrame一样，它有一个特殊的约定（例如引用列），与您在数学表示法中可能期望的不同（在这种情况下，它将沿着第一个轴引用一个项目，而不管其形状或结构如何），那么这只是一个实现细节

例如，对于纯NumPy数组，重复项获取会实现您所期望的：

In [90]: pnl.values[0][0].shape
Out[90]: (77,)

这并不意味着这是一种“正确”的方式。这只是一种恰好符合数学线性代数某些惯例的方法。由于DataFrame寻求表示关系数据模型，而不是纯粹的多维数组，因此没有理由期望Pandas必须在这种行为中模仿NumPy

添加了两个以上的维度

对于2维以上的数据，这些切片操作与原始三维面板中的布局方式相比，代表了数据的隐式换位。因此，Pandas必须做一些事情来解析子选定数据的布局，而在这样做时，Pandas似乎没有以保证轴从左到右顺序得以保留的方式实现切片方法

因此，当数据以块的形式排列时，它似乎独立于它从父面板数据存储的内容来确定新的长轴（索引）轴

例如，我创建了一个具有相同形状的随机数据集，我看到：

In [22]: pnl.ix[:, 0, :]._data
Out[22]: 
BlockManager
Items: Int64Index([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
            17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32],
           dtype='int64')
Axis 1: Int64Index([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
            17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
            34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
            51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
            68, 69, 70, 71, 72, 73, 74, 75, 76],
           dtype='int64')
FloatBlock: slice(0, 33, 1), 33 x 77, dtype: float64

特别注意最后一行，它说它确实知道它是一个33 x 77块。然而，当我们看到该块的

DataFrame

表示时：

In [23]: pnl.ix[:, 0, :].shape
Out[23]: (77, 33)

---

所以你说的很对，熊猫重新确定轴顺序的任意和未记录的过程是有问题的。这个例子应该正确地作为一个bug归档，要么是因为没有保留轴顺序，要么是因为没有记录用于确定将生成哪个顺序的任何条件。熊猫队应该提供一个或另一个。

我刚刚想出了一个有效的心理模型！好消息是我想我现在可以使用Panel了，因为这个心智模型实际上非常简单

我使用的是

pnl[…]

还是

pnl.ix[…]

，这也无关紧要。这个简单的心理模型在所有情况下都能正确地解释行为

这是模型：对于3维（如面板），只需想象轴是（第一、第三、第二）。对于像DataFrame这样的二维，只需想象轴是（第二个，第一个）。这种轴的顺序既适用于形状元组，也适用于使用多个索引时的索引顺序

现在，我将演示我在原始问题中键入的所有命令（这些命令似乎给出了无意义的结果）在心智模型中的意义（我将在每个问题的末尾添加注释）

In [23]: pnl.ix[:, 0, :].shape
Out[23]: (77, 33)

In [122]: pnl = pd.Panel(np.random.randn(33, 55, 77))  # mental: (first@33, second@77, third@55)

In [123]: pnl.shape
Out[123]: (33, 55, 77)  # mental: (first@33, second@77, third@55)

In [124]: pnl[0].shape  # mental: pnl[first=0]
Out[124]: (55, 77)  # mental: (first@77, second@55) was previously second@77,third@55

In [125]: pnl[0][0].shape  # mental: pnl[first=0][second=0]
Out[125]: (55,)  # mental: (first@55,) was previously third@55

...

In [220]: pnl.shape
Out[220]: (33, 55, 77)  # mental: (first@33, second@77, third@55)

In [221]: pnl.ix[:, 0, 0].shape  # mental: pnl.ix[:, third=0, second=0]
Out[221]: (33,)  # mental: (first@33,) was previously first@33

In [222]: pnl.ix[0, :, 0].shape  # mental: pnl.ix[first=0, :, second=0]
Out[222]: (55,)  # mental: (first@55,) was previously third@55

In [223]: pnl.ix[0, 0, :].shape  # mental: pnl.ix[first=0, third=0, :]
Out[223]: (77,)  # mental: (first@77,) was previously second@77

In [224]: pnl.ix[:, :, 0].shape  # mental: pnl.ix[:, :, second=0]
Out[224]: (55, 33)  # mental: (first@33, second@55) was previously first@33,third@55

In [225]: pnl.ix[:, 0, :].shape  # mental: pnl.ix[:, third=0, :]
Out[225]: (77, 33)  # mental: (first@33, second@77) was previously first@33,second@77

In [226]: pnl.ix[0, :, :].shape  # mental: pnl.ix[first=0, :, :]
Out[226]: (55, 77)  # mental: (first@77, second@55) was previously second@77,third@55