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 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 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 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']), :] = -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 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，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！
免责声明：
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的，并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据，供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
