我想在某些计算中有效地使用 DataFrame 的 MultiIndex 中的值。例如,从以下内容开始:
np.random.seed(456)
j = [(a, b) for a in ['A','B','C'] for b in random.sample(pd.date_range('2017-01-01', periods=50, freq='W').tolist(), 5)]
i = pd.MultiIndex.from_tuples(j, names=['Name','Num'])
df = pd.DataFrame(np.random.randn(15), i, columns=['Vals'])
df['SmallestNum'] = df.reset_index(level=1).groupby('Name')['Num'].transform('min').values
假设我想计算一个新列Diff = Num - SmallestNum
。一种有效但我认为笨拙的方法是将我想要引用的索引级别复制到真正的列中,然后进行差异:
df['NumCol'] = df.index.get_level_values(1)
df['Diff'] = df['NumCol'] - df['SmallestNum']
但我觉得如果我这样做,我仍然不理解使用 DataFrames 的正确方法。我认为“正确”的解决方案如下所示,它不会创建和存储索引值的完整副本:
df['Diff'] = df.transform(lambda x: x.index.get_level_values(1) - x['SmallestNum'])
df['Diff'] = df.reset_index(level=1).apply(lambda x: x['Num'] - x['SmallestNum'])
...然而,这些表达式不仅不起作用*,而且我的理解是,像 .transform
或 .apply
这样的 DataFrame 操作必然会显着增加比对显式“矢量化”行引用进行操作的速度慢。
那么在此示例中为新的 Diff
列编写计算的“正确且有效”的方法是什么?
* 更新:此问题因索引级别 1 值不唯一这一事实(可能是错误)而变得更加复杂,这会导致在索引值唯一时有效的公式失败并显示 NotImplementedError:非唯一索引上的 Index._join_level 未实现
。幸运的是,jezrael's answer 包含的解决方法似乎与显式矢量化计算一样高效。
最佳答案
我认为你需要简单地减去:
df['Diff'] = df.index.get_level_values(1) - df['SmallestNum']
print (df)
Vals SmallestNum Diff
Name Num
A 28 1.180140 28 0
44 0.984257 28 16
90 1.835646 28 62
43 -1.886823 28 15
29 0.424763 28 1
B 80 -0.433105 38 42
61 -0.166838 38 23
46 0.754634 38 8
38 1.966975 38 0
93 0.200671 38 55
C 40 0.742752 12 28
82 -1.264271 12 70
12 -0.112787 12 0
78 0.667358 12 66
70 0.357900 12 58
编辑:对于第二级工作中的非唯一DatetimeIndex
,由values
创建的减法numpy数组:
np.random.seed(456)
a = pd.date_range('2015-01-01', periods=6).values
j = [['A'] * 5 + ['B'] * 5 + ['C'] * 5, pd.to_datetime(np.random.choice(a, size=15))]
i = pd.MultiIndex.from_arrays(j, names=['Name','Num'])
df = pd.DataFrame(np.random.randn(15), i, columns=['Vals'])
df['SmallestNum'] = df.reset_index(level=1).groupby('Name')['Num'].transform('min').values
df['Diff'] = df.index.get_level_values(1).values - df['SmallestNum'].values
print (df)
Vals SmallestNum Diff
Name Num
A 2015-01-04 -1.842419 2015-01-02 2 days
2015-01-06 -0.786788 2015-01-02 4 days
2015-01-04 1.180140 2015-01-02 2 days
2015-01-02 0.984257 2015-01-02 0 days
2015-01-03 1.835646 2015-01-02 1 days
B 2015-01-05 -1.886823 2015-01-03 2 days
2015-01-03 0.424763 2015-01-03 0 days
2015-01-05 -0.433105 2015-01-03 2 days
2015-01-06 -0.166838 2015-01-03 3 days
2015-01-05 0.754634 2015-01-03 2 days
C 2015-01-06 1.966975 2015-01-02 4 days
2015-01-06 0.200671 2015-01-02 4 days
2015-01-05 0.742752 2015-01-02 3 days
2015-01-02 -1.264271 2015-01-02 0 days
2015-01-04 -0.112787 2015-01-02 2 days
另一个解决方案:
df['Diff'] = (df.reset_index(level=1)
.groupby('Name')['Num']
.transform(lambda x: x - x.min())
.values)
print (df)
Vals Diff
Name Num
A 2015-01-04 -1.842419 2 days
2015-01-06 -0.786788 4 days
2015-01-04 1.180140 2 days
2015-01-02 0.984257 0 days
2015-01-03 1.835646 1 days
B 2015-01-05 -1.886823 2 days
2015-01-03 0.424763 0 days
2015-01-05 -0.433105 2 days
2015-01-06 -0.166838 3 days
2015-01-05 0.754634 2 days
C 2015-01-06 1.966975 4 days
2015-01-06 0.200671 4 days
2015-01-05 0.742752 3 days
2015-01-02 -1.264271 0 days
2015-01-04 -0.112787 2 days
关于python - Pandas MultiIndex DataFrame 引用列计算中的索引值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48977918/