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 96xs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 50xs（）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aitechtogether.com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aitechtogether.com！
