python - pandas DataFrame 中的级别是什么？

Question

我一直在阅读文档，许多解释和示例都将 levels 视为理所当然。恕我直言，文档缺乏对数据结构和定义的基本解释。

数据框中的级别是什么？ MultiIndex 索引中的级别是什么？

Answer 1

我在分析 my own question 的答案时偶然发现了这个问题，但我觉得约翰的回答不够令人满意。经过几次实验后，我认为我理解了这些级别并决定分享:

简答:

级别是索引或列的一部分。

长答案:

我认为这个多列 DataFrame.groupby 示例很好地说明了索引级别。

假设我们有时间记录问题报告数据:

report = pd.DataFrame([
        [1, 10, 'John'],
        [1, 20, 'John'],
        [1, 30, 'Tom'],
        [1, 10, 'Bob'],
        [2, 25, 'John'],
        [2, 15, 'Bob']], columns = ['IssueKey','TimeSpent','User'])

   IssueKey  TimeSpent  User
0         1         10  John
1         1         20  John
2         1         30   Tom
3         1         10   Bob
4         2         25  John
5         2         15   Bob

这里的索引只有1级(每一行只有一个索引值)。该索引是人工的(流水号)，由 0 到 5 的值组成。

假设我们要将同一用户创建的所有日志合并(求和)到同一问题(以获得用户在该问题上花费的总时间)

time_logged_by_user = report.groupby(['IssueKey', 'User']).TimeSpent.sum()

IssueKey  User
1         Bob     10
          John    30
          Tom     30
2         Bob     15
          John    25

现在我们的数据索引有 2 个级别，因为多个用户记录了同一问题的时间。级别是 IssueKey 和 User。级别是索引的一部分(只有它们一起才能识别 DataFrame/Series 中的一行)。

在 Spyder 变量浏览器中可以很好地观察到作为索引一部分的级别(作为元组):

具有级别使我们有机会根据我们选择的索引部分(级别)汇总组内的值。例如。如果我们想分配任何用户在某个问题上花费的最长时间，我们可以:

max_time_logged_to_an_issue = time_logged_by_user.groupby(level='IssueKey').transform('max')

IssueKey  User
1         Bob     30
          John    30
          Tom     30
2         Bob     25
          John    25

现在前 3 行的值为 30，因为它们对应于问题 1(User 级别在上面的代码中被忽略). 2 问题也是如此。

这可能很有用，例如如果我们想找出哪些用户在每个问题上花费的时间最多:

issue_owners = time_logged_by_user[time_logged_by_user == max_time_logged_to_an_issue]

IssueKey  User
1         John    30
          Tom     30
2         John    25