seleção de pandas com vários índices

92

Eu tenho um quadro de dados de vários índices com colunas 'A' e 'B'.

Existe uma maneira de selecionar linhas filtrando em uma coluna do multi-índice sem redefinir o índice para um índice de coluna única?

Por exemplo.

# has multi-index (A,B)
df
#can I do this? I know this doesn't work because the index is multi-index so I need to     specify a tuple

df.ix[df.A ==1]
silenciador
fonte
Relacionado: Selecione as linhas no pandas MultiIndex DataFrame (uma ampla discussão sobre o mesmo assunto minha).
cs95 de

Respostas:

138

Uma maneira é usar o get_level_valuesmétodo Index:

In [11]: df
Out[11]:
     0
A B
1 4  1
2 5  2
3 6  3

In [12]: df.iloc[df.index.get_level_values('A') == 1]
Out[12]:
     0
A B
1 4  1

No 0.13, você poderá usar xscom o drop_levelargumento :

df.xs(1, level='A', drop_level=False) # axis=1 if columns

Observação: se fosse MultiIndex de coluna em vez de índice, você poderia usar a mesma técnica:

In [21]: df1 = df.T

In [22]: df1.iloc[:, df1.columns.get_level_values('A') == 1]
Out[22]:
A  1
B  4
0  1
Andy Hayden
fonte
54

Você também pode usar o queryque é muito legível na minha opinião e simples de usar:

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [10, 20, 50, 80], 'C': [6, 7, 8, 9]})
df = df.set_index(['A', 'B'])

      C
A B    
1 10  6
2 20  7
3 50  8
4 80  9

Para o que você tinha em mente, agora você pode simplesmente fazer:

df.query('A == 1')

      C
A B    
1 10  6

Você também pode ter consultas mais complexas usando and

df.query('A >= 1 and B >= 50')

      C
A B    
3 50  8
4 80  9

e or

df.query('A == 1 or B >= 50')

      C
A B    
1 10  6
3 50  8
4 80  9

Você também pode consultar em diferentes níveis de índice , por exemplo

df.query('A == 1 or C >= 8')

retornará

      C
A B    
1 10  6
3 50  8
4 80  9

Se quiser usar variáveis ​​dentro de sua consulta, você pode usar@ :

b_threshold = 20
c_threshold = 8

df.query('B >= @b_threshold and C <= @c_threshold')

      C
A B    
2 20  7
3 50  8
Cleb
fonte
1
Ótima resposta, muito mais legível, na verdade. Você sabe se é possível consultar dois campos em diferentes níveis de índice como:df.query('A == 1 or C >= 8')
obchardon
@obchardon: Parece funcionar bem; Editei minha resposta usando seu exemplo.
Cleb
1
Tenho tempos e strings como multiindex, o que causa problemas na expressão de strings. No entanto, df.query()funciona bem com variáveis ​​se elas forem referenciadas com um '@' dentro da expressão na consulta, por exemplo df.query('A == @var) para uma variável varno ambiente.
Solly
@Solly: Obrigado, acrescentei isso à resposta.
Cleb
Onde está a indexação múltipla aqui?
Lamma,
33

Você pode usar DataFrame.xs():

In [36]: df = DataFrame(np.random.randn(10, 4))

In [37]: df.columns = [np.random.choice(['a', 'b'], size=4).tolist(), np.random.choice(['c', 'd'], size=4)]

In [38]: df.columns.names = ['A', 'B']

In [39]: df
Out[39]:
A      b             a
B      d      d      d      d
0 -1.406  0.548 -0.635  0.576
1 -0.212 -0.583  1.012 -1.377
2  0.951 -0.349 -0.477 -1.230
3  0.451 -0.168  0.949  0.545
4 -0.362 -0.855  1.676 -2.881
5  1.283  1.027  0.085 -1.282
6  0.583 -1.406  0.327 -0.146
7 -0.518 -0.480  0.139  0.851
8 -0.030 -0.630 -1.534  0.534
9  0.246 -1.558 -1.885 -1.543

In [40]: df.xs('a', level='A', axis=1)
Out[40]:
B      d      d
0 -0.635  0.576
1  1.012 -1.377
2 -0.477 -1.230
3  0.949  0.545
4  1.676 -2.881
5  0.085 -1.282
6  0.327 -0.146
7  0.139  0.851
8 -1.534  0.534
9 -1.885 -1.543

Se você deseja manter o Anível (o drop_levelargumento da palavra - chave só está disponível a partir da v0.13.0):

In [42]: df.xs('a', level='A', axis=1, drop_level=False)
Out[42]:
A      a
B      d      d
0 -0.635  0.576
1  1.012 -1.377
2 -0.477 -1.230
3  0.949  0.545
4  1.676 -2.881
5  0.085 -1.282
6  0.327 -0.146
7  0.139  0.851
8 -1.534  0.534
9 -1.885 -1.543
Phillip Cloud
fonte
1
Ha, eu tinha acabado de atualizar minha resposta com isso, Nota: disponível apenas em 0,13.
Andy Hayden,
Oh, bom saber. Nunca me lembro quais pequenas conveniências são adicionadas em cada versão.
Phillip Cloud
Rsrsrs, na verdade essa pergunta é um idiota daquela que inspirou aquela conveniência! :)
Andy Hayden
15

Compreender como acessar o DataFrame multi-indexado do pandas pode ajudá-lo em todos os tipos de tarefas como essa.

Copie e cole no seu código para gerar o exemplo:

# hierarchical indices and columns
index = pd.MultiIndex.from_product([[2013, 2014], [1, 2]],
                                   names=['year', 'visit'])
columns = pd.MultiIndex.from_product([['Bob', 'Guido', 'Sue'], ['HR', 'Temp']],
                                     names=['subject', 'type'])

# mock some data
data = np.round(np.random.randn(4, 6), 1)
data[:, ::2] *= 10
data += 37

# create the DataFrame
health_data = pd.DataFrame(data, index=index, columns=columns)
health_data

Dar-lhe-á uma mesa como esta:

insira a descrição da imagem aqui

Acesso padrão por coluna

health_data['Bob']
type       HR   Temp
year visit      
2013    1   22.0    38.6
        2   52.0    38.3
2014    1   30.0    38.9
        2   31.0    37.3


health_data['Bob']['HR']
year  visit
2013  1        22.0
      2        52.0
2014  1        30.0
      2        31.0
Name: HR, dtype: float64

# filtering by column/subcolumn - your case:
health_data['Bob']['HR']==22
year  visit
2013  1         True
      2        False
2014  1        False
      2        False

health_data['Bob']['HR'][2013]    
visit
1    22.0
2    52.0
Name: HR, dtype: float64

health_data['Bob']['HR'][2013][1]
22.0

Acesso por linha

health_data.loc[2013]
subject Bob Guido   Sue
type    HR  Temp    HR  Temp    HR  Temp
visit                       
1   22.0    38.6    40.0    38.9    53.0    37.5
2   52.0    38.3    42.0    34.6    30.0    37.7

health_data.loc[2013,1] 
subject  type
Bob      HR      22.0
         Temp    38.6
Guido    HR      40.0
         Temp    38.9
Sue      HR      53.0
         Temp    37.5
Name: (2013, 1), dtype: float64

health_data.loc[2013,1]['Bob']
type
HR      22.0
Temp    38.6
Name: (2013, 1), dtype: float64

health_data.loc[2013,1]['Bob']['HR']
22.0

Fatiar multi-índice

idx=pd.IndexSlice
health_data.loc[idx[:,1], idx[:,'HR']]
    subject Bob Guido   Sue
type    HR  HR  HR
year    visit           
2013    1   22.0    40.0    53.0
2014    1   30.0    52.0    45.0
Harvey
fonte
isso dá ValueError: cannot handle a non-unique multi-index!erro
Coddy
5

Você pode usar DataFrame.loc:

>>> df.loc[1]

Exemplo

>>> print(df)
       result
A B C        
1 1 1       6
    2       9
  2 1       8
    2      11
2 1 1       7
    2      10
  2 1       9
    2      12

>>> print(df.loc[1])
     result
B C        
1 1       6
  2       9
2 1       8
  2      11

>>> print(df.loc[2, 1])
   result
C        
1       7
2      10
umn
fonte
Esta é a melhor das abordagens modernas da IMO, onde df.loc [2, 1] ['resultado'] irá lidar com colunas múltiplas
M__ 09/09/19
isso funciona com qualquer número de inteiros por algum motivo. por exemplodf.loc[0], df.loc[1]....df.loc[n]
Coddy
2

Outra opção é:

filter1 = df.index.get_level_values('A') == 1
filter2 = df.index.get_level_values('B') == 4

df.iloc[filter1 & filter2]
Out[11]:
     0
A B
1 4  1
Gonzalo Goral
fonte