Question

在第二级对具有两个级别的MultiIndexed pandas数据框进行索引时，结果将自动按索引排序。是否有一种优雅的方式来获得结果而不进行排序？

这是一个玩具示例：

>>> df = pd.DataFrame(np.ones((10, 3)), columns=list("ABC"))
>>> df.index = pd.MultiIndex.from_product([range(5), list("AB")])
>>> df
       A    B    C
0 A  1.0  1.0  1.0
  B  1.0  1.0  1.0
1 A  1.0  1.0  1.0
  B  1.0  1.0  1.0
2 A  1.0  1.0  1.0
  B  1.0  1.0  1.0
3 A  1.0  1.0  1.0
  B  1.0  1.0  1.0
4 A  1.0  1.0  1.0
  B  1.0  1.0  1.0

>>> values = ["B", "A"]
>>> idx = pd.IndexSlice
>>> subset = df.loc[idx[:, values], values]
>>> subset
       B    A
0 A  1.0  1.0
  B  1.0  1.0
1 A  1.0  1.0
  B  1.0  1.0
2 A  1.0  1.0
  B  1.0  1.0
3 A  1.0  1.0
  B  1.0  1.0
4 A  1.0  1.0
  B  1.0  1.0

我希望结果索引的第二级按["B", "A"]的顺序排列-与选定的列相似-但是按排序顺序返回。

到目前为止，我发现一种解决方法是用subset.reindex(index=values, level=1)重新索引结果。有什么方法可以更简洁/优雅地完成此操作，理想情况下不会导致数据框的副本？为什么将结果放在首位？在这种情况下，这似乎并不直观。

Answer 1

这可能是性能决定。您可以在Sorting a MultiIndex中阅读有关此内容的信息，即您希望对索引进行lexsorted，这由.loc的当前输出来维护。如果给定了您想要的输出，则索引将不会按顺序进行排序，这可能会导致多个问题。您应该使用.reindex，因为它会导致经过分类的MultiIndex。

您的原始DataFrame已按字母顺序排序：

df.index.is_lexsorted()
#True

您得到的不需要的输出保持了这种排序：

df.loc[idx[:, values], values].index.is_lexsorted()
#True

如果我们使用.loc修改了排序，则会丢失此排序，并且根据文档，现在会遇到性能问题。

subset = df.loc[[(0, 'B'), (0, 'A')], ['B', 'A']]
#       B    A
#0 B  1.0  1.0
#  A  1.0  1.0

subset.index.is_lexsorted()
#False

尽管重新索引确实需要更长的时间，但它会导致索引排序错误。

subset2 = df.reindex(index=values, level=1)
subset2.index.is_lexsorted()
#True

如果您的MultiIndex未按词序排序，则会有意外的后果。因此，即使subset似乎已经排序，并且应该可以对范围进行切片，但您不能这样做。在.reindex之后，切片是可行的，因为它是按词法排序的：

subset.loc[(0,'B'): (0, 'A')]
#UnsortedIndexError: 'Key length (2) was greater than MultiIndex lexsort depth (1)'

subset2.loc[(0,'B'): (0, 'A')]
#       A    B    C
#0 B  1.0  1.0  1.0
#  A  1.0  1.0  1.0

为Pandas MultiIndex编制索引时如何避免排序？

1 个答案: