在Pandas的索引上应用函数的最佳方法是什么DataFrame？目前，我正在使用这种冗长的方法：

pd.DataFrame({"Month": df.reset_index().Date.apply(foo)})

其中Date的索引foo名称和我正在应用的函数的名称。

正如HYRY在评论中所建议的那样，Series.map是前往此处的方法。只需将索引设置为结果序列即可。

简单的例子：

df = pd.DataFrame({'d': [1, 2, 3]}, index=['FOO', 'BAR', 'BAZ'])
df
        d
FOO     1
BAR     2
BAZ     3

df.index = df.index.map(str.lower)
df
        d
foo     1
bar     2
baz     3

索引！=系列

正如@OP所指出的。该df.index.map(str.lower)调用返回一个numpy数组。这是因为数据框指数是基于numpy的阵列，而不是系列。

使索引成为系列的唯一方法是从中创建系列。

pd.Series(df.index.map(str.lower))

警告

在Index类现在的子类StringAccessorMixin，这意味着你可以做以上操作如下

df.index.str.lower()

这仍然会产生一个Index对象，而不是Series。

假设您想通过将函数“ foo”应用于索引在当前DataFrame中创建一列。你可以写...

df['Month'] = df.index.map(foo)

要单独生成系列，您可以...

pd.Series({x: foo(x) for x in foo.index})

很多答案都将Index作为数组返回，这会丢失有关索引名称等的信息（尽管您可以这样做pd.Series(index.map(myfunc), name=index.name)）。它也不适用于MultiIndex。

我使用此方法的方式是使用“重命名”：

mix = pd.MultiIndex.from_tuples([[1, 'hi'], [2, 'there'], [3, 'dude']], names=['num', 'name'])
data = np.random.randn(3)
df = pd.Series(data, index=mix)
print(df)
num  name 
1    hi       1.249914
2    there   -0.414358
3    dude     0.987852
dtype: float64

# Define a few dictionaries to denote the mapping
rename_dict = {i: i*100 for i in df.index.get_level_values('num')}
rename_dict.update({i: i+'_yeah!' for i in df.index.get_level_values('name')})
df = df.rename(index=rename_dict)
print(df)
num  name       
100  hi_yeah!       1.249914
200  there_yeah!   -0.414358
300  dude_yeah!     0.987852
dtype: float64

唯一的窍门是您的索引需要具有不同的多重索引级别的唯一标签，但是也许比我更聪明的人知道如何解决这个问题。对我来说，这有95％的时间有效。

您始终to_series()可以根据自己的偏好/需要使用其方法，然后使用apply或来转换索引map。

ret = df.index.map(foo)                # Returns pd.Index
ret = df.index.to_series().map(foo)    # Returns pd.Series
ret = df.index.to_series().apply(foo)  # Returns pd.Series

以上所有内容均可直接分配给的新列或现有列df：

df["column"] = ret

只是为了完整性：pd.Index.map，pd.Series.map和pd.Series.apply所有的操作元素明智的。我经常使用map以dicts或代表的查询pd.Series。apply之所以通用，是因为您可以将任何函数与附加args或一起传递kwargs。apply和之间的差异map将在此SO线程中进一步讨论。我不知道为什么pd.Index.apply被省略。