Pandas中MultiIndex选择并提取任何行和列
更新时间：2023年02月23日 11:23:14 作者：饺子大人
本文主要介绍了Pandas中MultiIndex选择并提取任何行和列，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
使用多索引（分层索引）可以方便地对pandas.DataFrame和pandas.Series的索引进行分层配置，以便可以为每个层次结构计算统计信息，例如总数和平均值。
以下csv数据为例。每个索引列都命名为level_x。
import pandas as pd
df = pd.read_csv('./data/25/sample_multi.csv', index_col=[0, 1, 2])
print(df)
# val_1 val_2
# level_1 level_2 level_3
# A0 B0 C0 98 90
# C1 44 9
# B1 C2 39 17
# C3 75 71
# A1 B2 C0 1 89
# C1 54 60
# B3 C2 47 6
# C3 16 5
# A2 B0 C0 75 22
# C1 19 4
# B1 C2 25 52
# C3 57 40
# A3 B2 C0 64 54
# C1 27 96
# B3 C2 100 77
# C3 22 50
print(df.index)
# MultiIndex(levels=[['A0', 'A1', 'A2', 'A3'], ['B0', 'B1', 'B2', 'B3'], ['C0', 'C1', 'C2', 'C3']],
# labels=[[0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3], [0, 0, 1, 1, 2, 2, 3, 3, 0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3]],
# names=['level_1', 'level_2', 'level_3'])这里，将描述以下内容。
- 选择并提取带有loc的任何行或列
- 特殊切片规范：slice（），pd.IndexSlice []
- xs方法
- 给选择赋值
选择并提取带有loc的任何行或列
可以像使用普通索引一样使用loc []选择和提取任何行/列。
Pandas获取和修改任意位置的值（at,iat,loc,iloc）
在示例中，索引是一个多索引，但是当列是一个多索引时，同样的想法也适用。
如果选择上层（外层），则它与普通loc []相同。
指定整列时，可以省略back slice :，但是使用后述的slice（None）或pd.IndexSlice时，不能将其省略（这会导致错误），因此请明确指定。拥有它是安全的。
print(df.loc['A0', 'val_1']) # level_2 level_3 # B0 C0 98 # C1 44 # B1 C2 39 # C3 75 # Name: val_1, dtype: int64 print(df.loc['A0', :]) # val_1 val_2 # level_2 level_3 # B0 C0 98 90 # C1 44 9 # B1 C2 39 17 # C3 75 71 print(df.loc['A0']) # val_1 val_2 # level_2 level_3 # B0 C0 98 90 # C1 44 9 # B1 C2 39 17 # C3 75 71
也可以通过切片或列表选择范围。
print(df.loc['A0':'A2', :]) # val_1 val_2 # level_1 level_2 level_3 # A0 B0 C0 98 90 # C1 44 9 # B1 C2 39 17 # C3 75 71 # A1 B2 C0 1 89 # C1 54 60 # B3 C2 47 6 # C3 16 5 # A2 B0 C0 75 22 # C1 19 4 # B1 C2 25 52 # C3 57 40 print(df.loc[['A0', 'A2'], :]) # val_1 val_2 # level_1 level_2 level_3 # A0 B0 C0 98 90 # C1 44 9 # B1 C2 39 17 # C3 75 71 # A2 B0 C0 75 22 # C1 19 4 # B1 C2 25 52 # C3 57 40
还可以通过从上层（外层）按顺序指定值来缩小范围。按元组顺序指定值。
print(df.loc[('A0', 'B1'), :])
# val_1 val_2
# level_3
# C2 39 17
# C3 75 71
print(df.loc[('A0', 'B1', 'C2'), :])
# val_1 39
# val_2 17
# Name: (A0, B1, C2), dtype: int64如果按顺序指定元组，则列表将起作用，但切片将失败。
print(df.loc[(['A0', 'A1'], ['B0', 'B3']), :])
# val_1 val_2
# level_1 level_2 level_3
# A0 B0 C0 98 90
# C1 44 9
# A1 B3 C2 47 6
# C3 16 5
# print(df.loc[(:, 'B1'), :])
# SyntaxError: invalid syntax
# print(df.loc[('A1':'A3', 'B2'), :])
# SyntaxError: invalid syntax特殊切片规范：slice（），pd.IndexSlice []
当从具有多索引的上层（外层）开始按顺序指定元组的值时，将slice（）用于切片。
可以使用slice（start，stop，step）创建slice start：stop：step。stop和step可以省略。整个切片：slice(None)。
print(df.loc[(slice(None), 'B1'), :])
# val_1 val_2
# level_1 level_2 level_3
# A0 B1 C2 39 17
# C3 75 71
# A2 B1 C2 25 52
# C3 57 40
print(df.loc[(slice('A1', 'A3'), 'B2'), :])
# val_1 val_2
# level_1 level_2 level_3
# A1 B2 C0 1 89
# C1 54 60
# A3 B2 C0 64 54
# C1 27 96
print(df.loc[(slice('A1', 'A3'), ['B0', 'B2'], 'C1'), :])
# val_1 val_2
# level_1 level_2 level_3
# A1 B2 C1 54 60
# A2 B0 C1 19 4
# A3 B2 C1 27 96如果使用pd.IndexSlice []，则可以指定为：。如果使用许多切片，这会更容易。
print(df.loc[pd.IndexSlice[:, 'B1'], :]) # val_1 val_2 # level_1 level_2 level_3 # A0 B1 C2 39 17 # C3 75 71 # A2 B1 C2 25 52 # C3 57 40 print(df.loc[pd.IndexSlice['A1':'A3', 'B2'], :]) # val_1 val_2 # level_1 level_2 level_3 # A1 B2 C0 1 89 # C1 54 60 # A3 B2 C0 64 54 # C1 27 96 print(df.loc[pd.IndexSlice['A1':'A3', ['B0', 'B2'], 'C1'], :]) # val_1 val_2 # level_1 level_2 level_3 # A1 B2 C1 54 60 # A2 B0 C1 19 4 # A3 B2 C1 27 96
xs方法
还可以通过使用xs（）方法指定索引列名称（参数level）及其值（第一个参数key）来选择和提取,多索引columns的参数axis= 1。
print(df.xs('B1', level='level_2'))
# val_1 val_2
# level_1 level_3
# A0 C2 39 17
# C3 75 71
# A2 C2 25 52
# C3 57 40
也可以使用代表层次结构级别的数值而不是索引列名称来指定。顶层（最外层）为0。
print(df.xs('C1', level=2))
# val_1 val_2
# level_1 level_2
# A0 B0 44 9
# A1 B2 54 60
# A2 B0 19 4
# A3 B2 27 96
还可以为多个索引指定值列表。
print(df.xs(['B1', 'C2'], level=['level_2', 'level_3'])) # val_1 val_2 # level_1 # A0 39 17 # A2 25 52
要在xs（）方法中指定切片，需要使用slice（）或pd.IndexSlice []。
print(df.xs(pd.IndexSlice['A1':'A3'], level='level_1'))
# val_1 val_2
# level_2 level_3
# B2 C0 1 89
# C1 54 60
# B3 C2 47 6
# C3 16 5
# B0 C0 75 22
# C1 19 4
# B1 C2 25 52
# C3 57 40
# B2 C0 64 54
# C1 27 96
# B3 C2 100 77
# C3 22 50
print(df.xs(slice('A1', 'A3'), level='level_1'))
# val_1 val_2
# level_2 level_3
# B2 C0 1 89
# C1 54 60
# B3 C2 47 6
# C3 16 5
# B0 C0 75 22
# C1 19 4
# B1 C2 25 52
# C3 57 40
# B2 C0 64 54
# C1 27 96
# B3 C2 100 77
# C3 22 50xs（）方法无法在列表中指定多个值。如果要在列表中指定多个值，请使用loc []。
# print(df.xs(['B1', 'B2'], level='level_2'))
# KeyError: ('B1', 'B2')
print(df.loc[pd.IndexSlice[:, ['B1', 'B2']], :])
# val_1 val_2
# level_1 level_2 level_3
# A0 B1 C2 39 17
# C3 75 71
# A1 B2 C0 1 89
# C1 54 60
# A2 B1 C2 25 52
# C3 57 40
# A3 B2 C0 64 54
# C1 27 96给选择赋值
使用loc选择时，可以为选择范围分配一个值。
df.loc[(['A0', 'A1'], ['B0', 'B3']), :] = -100 print(df) # val_1 val_2 # level_1 level_2 level_3 # A0 B0 C0 -100 -100 # C1 -100 -100 # B1 C2 39 17 # C3 75 71 # A1 B2 C0 1 89 # C1 54 60 # B3 C2 -100 -100 # C3 -100 -100 # A2 B0 C0 75 22 # C1 19 4 # B1 C2 25 52 # C3 57 40 # A3 B2 C0 64 54 # C1 27 96 # B3 C2 100 77 # C3 22 50 df.loc[(['A0', 'A1'], ['B0', 'B3']), :] = [-200, -300] print(df) # val_1 val_2 # level_1 level_2 level_3 # A0 B0 C0 -200 -300 # C1 -200 -300 # B1 C2 39 17 # C3 75 71 # A1 B2 C0 1 89 # C1 54 60 # B3 C2 -200 -300 # C3 -200 -300 # A2 B0 C0 75 22 # C1 19 4 # B1 C2 25 52 # C3 57 40 # A3 B2 C0 64 54 # C1 27 96 # B3 C2 100 77 # C3 22 50 df.loc[(['A0', 'A1'], ['B0', 'B3']), :] = [[-1, -2], [-3, -4], [-5, -6], [-7, -8]] print(df) # val_1 val_2 # level_1 level_2 level_3 # A0 B0 C0 -1 -2 # C1 -3 -4 # B1 C2 39 17 # C3 75 71 # A1 B2 C0 1 89 # C1 54 60 # B3 C2 -5 -6 # C3 -7 -8 # A2 B0 C0 75 22 # C1 19 4 # B1 C2 25 52 # C3 57 40 # A3 B2 C0 64 54 # C1 27 96 # B3 C2 100 77 # C3 22 50
xs（）仅获取该值，而无法分配它。
# df.xs(['B1', 'C2'], level=['level_2', 'level_3']) = 0 # SyntaxError: can't assign to function call
到此这篇关于Pandas中MultiIndex选择并提取任何行和列的文章就介绍到这了,更多相关Pandas MultiIndex提取行列内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
Flask-Login 是一个 Flask 模块，可以为 Flask 应用程序提供用户登录功能。这篇文章将通过一些示例为大家介绍一下Flask-Login模块的使用，需要的可以参考一下2023-01-01
Python mxnet包成功安装详细指南(避免踩坑+报错)
这篇文章主要给大家介绍了关于Python mxnet包成功安装的相关资料,包括创建Python环境、激活环境、安装MXNet及其依赖项,以及在PythonCharm中配置Python解释器,文中通过图文介绍的非常详细,需要的朋友可以参考下2024-12-12
这篇文章主要为大家详细介绍了python斐波那契数列的计算方法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-09-09
这篇文章主要介绍了pytorch 实现在测试的时候启用dropout的操作，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2021-05-05
这篇文章主要介绍了python批量生成条形码的示例，帮助大家更好的利用python处理图形，感兴趣的朋友可以了解下2020-10-10
今天小编就为大家分享一篇python中in在list和dict中查找效率的对比分析，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-05-05
下面小编就为大家带来一篇node.js获取参数的常用方法(总结)。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-05-05
这篇文章主要为大家详细介绍了如何基于python实现智能用例生成工具,即根据输入的功能点,生成通用测试点,感兴趣的小伙伴可以跟随小编一起了解下2023-09-09
我们在编写代码时总是遇到各种中文乱码的问题,所以本文就来为大家总结一下遇到的中文乱码问题和对应的解决方案,以及为什么会出现中文乱码的问题,希望对大家有所帮助2023-12-12
Python利用xlrd 与 xlwt 模块操作 Excel
这篇文章主要介绍了Python利用xlrd 与 xlwt 模块操作 Excel，文章围绕主题展开详细的内容，具有一定的参考价值，需要的小伙伴可以参考一下2022-05-05
最新评论