Question

df有：

    A   B  C
a   1   2  3
b   2   1  4
c   1   1  1

df要：

    A   B  C
a   1   2  3
b   2   1  4
c   1   1  1
d   1  -1  1

我可以通过以下方式获得df的要求：

df.loc['d']=df.loc['b']-df.loc['a']

但是，我的实际df具有用于多个ID“ X”，“ Y”等的“ a”，“ b”，“ c”行。

        A   B  C
  X a   1   2  3
    b   2   1  4
    c   1   1  1
  Y a   1   2  3
    b   2   1  4
    c   1   1  1

如何创建具有多个ID的相同输出？我原来的方法：

df.loc['d']=df.loc['b']-df.loc['a']

失败KeyError：'b'

所需的输出：

        A   B  C
  X a   1   2  3
    b   2   1  4
    c   1   1  1
    d   1  -1  1
  Y a   1   2  3
    b   2   2  4
    c   1   1  1
    d   1   0  1

Answer 1

IIUC，

for i, sub in df.groupby(df.index.get_level_values(0)):
  df.loc[(i, 'd'), :] = sub.loc[(i,'b')] - sub.loc[(i, 'a')]

print(df.sort_index())

或者也许

k = df.groupby(df.index.get_level_values(0), as_index=False).apply(lambda s: pd.DataFrame([s.loc[(s.name,'b')].values - s.loc[(s.name, 'a')].values], 
                                                                                      columns=s.columns, 
                                                                                      index=pd.MultiIndex(levels=[[s.name], ['d']], codes=[[0],[0]])
                                                                                      )).reset_index(drop=True, level=0)

pd.concat([k, df]).sort_index()

Answer 2

如果要对多索引的特定级别进行操作，则数据重塑是一个有用的技巧。参见下面的代码，

result = (df.unstack(0).T
            .assign(d=lambda x:x.b-x.a)
            .stack()
            .unstack(0))

Answer 3

使用pd.IndexSlice来切片a和b。调用diff上的slice和b，然后rename呼叫d。最后，将其附加到原始df

idx = pd.IndexSlice
df1 = df.loc[idx[:,['a','b']],:].diff().loc[idx[:,'b'],:].rename({'b': 'd'})
df2 = df.append(df1).sort_index().astype(int)

Out[106]:
     A  B  C
X a  1  2  3
  b  2  1  4
  c  1  1  1
  d  1 -1  1
Y a  1  2  3
  b  2  2  4
  c  1  1  1
  d  1  0  1

熊猫数据帧按行算法

3 个答案: