Pandas中怎么使用MultiIndex选择并提取任何行和列

这篇文章主要介绍“pandas中怎么使用MultiIndex选择并提取任何行和列”，在日常操作中，相信很多人在Pandas中怎么使用MultiIndex选择并提取任何行和列问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Pandas中怎么使用MultiIndex选择并提取任何行和列”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

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 pddf = 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     50print(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: int64print(df.loc['A0', :])#                  val_1  val_2# level_2 level_3              # B0      C0          98     90#         C1          44      9# B1      C2          39     17#         C3          75     71print(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     40print(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     71print(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     40print(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     96print(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     40print(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     96print(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     50print(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     50

xs（）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']), :] = -100print(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     50df.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     50df.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，关于“Pandas中怎么使用MultiIndex选择并提取任何行和列”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！