elegante Art und Weise in einen Multi-Level-Pandas Datenrahmen iterieren

Question

Ich habe einen Datenrahmen:

import numpy as np import pandas as pd 

a = pd.DataFrame(np.random.rand(10,6)) cols = [['A', 'B', 'C'], 
['AA','BB']] a.columns = pd.MultiIndex.from_product(
    cols, 
    names= ['first lvl', 'second level']) 

, die einen Multiindex gibt df nach unten:

first lvl   A     B     C   
second level  AA  BB  AA  BB  AA  BB 
0    0.991608 0.469706 0.338347 0.254777 0.739046 0.980094 
1    0.039133 0.959985 0.718216 0.746632 0.341260 0.264836 
2    0.164068 0.158672 0.175882 0.211732 0.146807 0.678957 
3    0.324433 0.343780 0.269040 0.432309 0.469457 0.247455 
4    0.932380 0.314262 0.439924 0.037954 0.641936 0.011523 
5    0.608288 0.308212 0.680107 0.988747 0.349255 0.775298 
6    0.082478 0.859175 0.546415 0.471169 0.013312 0.824054 
7    0.244569 0.049261 0.194941 0.350334 0.203621 0.408066 
8    0.132751 0.092825 0.237527 0.383277 0.288257 0.764209 
9    0.417155 0.578300 0.325731 0.504903 0.718891 0.861813 

ich für Iterierte durch Spalt mag A, B und C und tun ein np.polyfit(AA, BB, deg=1).

Gibt es eine elegante und einfache Möglichkeit, andere zu tun, als mit:

cols = np.unique(a.columns.get_level_values(0)) beta = 
[np.polyfit(a[col]['AA'], a[col]['BB'], deg= 1) for col in cols] 

Answer 1

Ich schlage vor, :

beta = [np.polyfit(a[col]['AA'], a[col]['BB'], deg= 1) for col in a.stack().columns] 

Es tut, was Sie in o. Wünschen ne Linie

Answer 2

Sie groupby von der ersten Ebene von MultiIndex in Spalten verwenden und anwenden können benutzerdefinierte funstion f:

np.random.seed(100) 
a = pd.DataFrame(np.random.rand(10,6)) 
cols = [['A', 'B', 'C'],['AA','BB']] 
a.columns = pd.MultiIndex.from_product(cols, names= ['first lvl', 'second level']) 
print (a) 
irst lvl   A     B     C   
second level  AA  BB  AA  BB  AA  BB 
0    0.543405 0.278369 0.424518 0.844776 0.004719 0.121569 
1    0.670749 0.825853 0.136707 0.575093 0.891322 0.209202 
2    0.185328 0.108377 0.219697 0.978624 0.811683 0.171941 
3    0.816225 0.274074 0.431704 0.940030 0.817649 0.336112 
4    0.175410 0.372832 0.005689 0.252426 0.795663 0.015255 
5    0.598843 0.603805 0.105148 0.381943 0.036476 0.890412 
6    0.980921 0.059942 0.890546 0.576901 0.742480 0.630184 
7    0.581842 0.020439 0.210027 0.544685 0.769115 0.250695 
8    0.285896 0.852395 0.975006 0.884853 0.359508 0.598859 
9    0.354796 0.340190 0.178081 0.237694 0.044862 0.505431 

print (a.groupby(level=0, axis=1) 
     .apply(lambda x: np.polyfit(x[(x.name, 'AA')], 
            x[(x.name, 'BB')], deg= 1))) 
A [-0.200103361495, 0.477549562164] 
B  [0.415374076332, 0.473118297463] 
C  [-0.33785161273, 0.551131295356] 
dtype: object