Question

我将来自特定数据流的多次重复的数据组织为多索引数据帧（其中每个重复被标记为例如['rep1', 'rep2', .., 'repN']）。我经常需要在这些重复的范围内（例如df.loc['rep5':'rep50', :]）获取较大数据帧的子集。

但是，我还没有找到一种方法来做到这一点，没有后续子集的索引仍然保留来自较大数据帧的整个索引值列表（即['rep1', 'rep2', .., 'repN']）。

因此，对于一个简化的例子，给出以下df：

dfs = [pd.DataFrame({'vals': range(3)}) for i in range(3)]
df = pd.concat(dfs, keys=['l1', 'l2', 'l3'])

df

      vals
l1 0     0
   1     1
   2     2
l2 0     0
   1     1
   2     2
l3 0     0
   1     1
   2     2

然后选择它的一部分：

subset = df.loc['l2':, :]
subset
      vals
l2 0     0
   1     1
   2     2
l3 0     0
   1     1
   2     2

查看子集的索引，原始'l1'索引仍为：

subset.index
MultiIndex(levels=[['l1', 'l2', 'l3'], [0, 1, 2]],
           labels=[[1, 1, 1, 2, 2, 2], [0, 1, 2, 0, 1, 2]

但是，如果我重置该索引级别，'l1'似乎消失了：

subset.reset_index(level=0)
    level_0 vals
0   l2  0
1   l2  1
2   l2  2
0   l3  0
1   l3  1
2   l3  2

然后我可以将'level_0'作为索引放回去，基本上可以达到我想要实现的目标

subset.reset_index(level=0).set_index('level_0', append=True).reorder_levels([1, 0]).index
MultiIndex(levels=[['l2', 'l3'], [0, 1, 2]],
           labels=[[0, 0, 0, 1, 1, 1], [0, 1, 2, 0, 1, 2]],
           names=['level_0', None])

然而，这显然是一条非常迂回的路线。我想的另一个选项是删除其他行，但我发现df.drop在尝试为多索引df执行一系列行时非常笨重。

如果数据帧不是分层的，则不会发生此行为。例如：

df = pd.DataFrame({'vals': range(5)}, index=['a', 'b', 'c', 'd', 'e'])

df.index
Index(['a', 'b', 'c', 'd', 'e'], dtype='object')

然后选择一个子集

subset = df.loc[('b', 'c', 'd'),:]
subset.index
Index(['b', 'c', 'd'], dtype='object')

我不清楚为什么它的行为方式如此。

Answer 1

我认为，您需要的是pd.MultiIndex.remove_unused_levels

subset.index.remove_unused_levels()

输出：

MultiIndex(levels=[['l2', 'l3'], [0, 1, 2]],
           labels=[[0, 0, 0, 1, 1, 1], [0, 1, 2, 0, 1, 2]])

获取多索引pandas df的子集，索引为

1 个答案: