Level zu Mitte von DF in Pandas

Question

hinzufügen Ich möchte ein neues Level zu meinem DF hinzufügen (so dass ich dann pd.reindex verwenden kann, etwas anderes zu tun). Mein DF hat im Grunde so etwas wie dieses:

df = pd.DataFrame({('A','a'): [-1,-1,0,10,12], 
        ('A','b'): [0,1,2,3,-1], 
        ('A','c'): [-1,1,0,10,12], 
        ('A','d'): [1,1,2,3,-1], 
        ('B','a'): [-20,-10,0,10,20], 
        ('B','b'): [-200,-100,0,-1,200], 
        ('B','c'): [-20,-10,0,10,20], 
        ('B','d'): [-200,-100,0,100,200] 
}) 

##df 
    A    B 
    a b c d a b  c  d 
0 -1 0 1 1 -20 -200 -20 -200 
1 -1 1 -1 1 -10 -100 -10 -100 
2 0 2 0 2 0 0  0  0 
3 10 3 10 3 10 -1 10 100 
4 12 -1 12 -1 20 200 20 200 

Ich möchte Tasten neue Ebene L1 = a + b und L2 = c + d zuzuordnen. Wie mache ich das?

würde der gewünschte Ausgang

##df 
    A    B 
    L1  L2  L1  L2 
    a b c d a b  c  d 
0 -1 0 1 1 -20 -200 -20 -200 
1 -1 1 -1 1 -10 -100 -10 -100 
2 0 2 0 2 0 0  0  0 
3 10 3 10 3 10 -1 10 100 
4 12 -1 12 -1 20 200 20 200 

bearbeitet sein: Ziel ist etwas ähnliches zu erreichen, was in here gefragt wurde. Dies bedeutet, dass einige Zeilen für denselben KEY NA s haben, abhängig vom Wert anderer Spalten. Zum Beispiel wenn ich filternde Spalten a und c von jeweils geprüft wird, ob Spalten b und d sind negativ:

##df 
    A    B 
    L1  L2  L1  L2 
    a b c d a b  c  d 
0 -1 0 1 1 NA NA NA NA 
1 -1 1 -1 1 NA NA NA NA 
2 0 2 0 2 0 0  0  0 
3 10 3 10 3 NA NA 10 100 
4 NA NA NA NA 20 200 20 200 

Answer 1

Sie erstellen müssen neue array mit map und dann zuweisen:

d = {'a':'L1','b':'L1','c':'L2','d':'L2'} 
a = df.columns.get_level_values(1).map(lambda x: d[x]) 
print (a) 
['L1' 'L1' 'L2' 'L2' 'L1' 'L1' 'L2' 'L2'] 

df.columns = [df.columns.get_level_values(0),a,df.columns.get_level_values(1)] 
#same as 
df.columns = pd.MultiIndex.from_arrays([df.columns.get_level_values(0), 
             df.columns.get_level_values(1).map(lambda x: d[x]), 
             df.columns.get_level_values(1)]) 
print (df) 
    A    B    
    L1  L2  L1  L2  
    a b c d a b c d 
0 -1 0 -1 1 -20 -200 -20 -200 
1 -1 1 1 1 -10 -100 -10 -100 
2 0 2 0 2 0 0 0 0 
3 10 3 10 3 10 -1 10 100 
4 12 -1 12 -1 20 200 20 200 

Zweite Ausgabe ist wirklich kompliziert , für mich funktioniert:

#filter columns 
idx = pd.IndexSlice 
mask = df.loc[:, idx[:,:,['b','d']]] < 0 
print (mask) 
     A    B  
     L1  L2  L1  L2 
     b  d  b  d 
0 False False True True 
1 False False True True 
2 False False False False 
3 False False True False 
4 True True False False 

#create mask to columns a,c 
mask1 = mask.reindex(columns=df.columns) 
mask1 = mask1.groupby(level=[0,1], axis=1).apply(lambda x: x.bfill(axis=1)) 
print (mask1) 
     A       B      
     L1   L2   L1   L2  
     a  b  c  d  a  b  c  d 
0 False False False False True True True True 
1 False False False False True True True True 
2 False False False False False False False False 
3 False False False False True True False False 
4 True True True True False False False False 

print (df.mask(mask1)) 
     A      B      
    L1   L2   L1   L2  
     a b  c d  a  b  c  d 
0 -1.0 0.0 -1.0 1.0 NaN NaN NaN NaN 
1 -1.0 1.0 1.0 1.0 NaN NaN NaN NaN 
2 0.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 
3 10.0 3.0 10.0 3.0 NaN NaN 10.0 100.0 
4 NaN NaN NaN NaN 20.0 200.0 20.0 200.0 

---

Eine andere Lösung mit reindex und method='bfill', ist aber notwendig Doppel transponieren (ich glaube, es Fehler ist - funktioniert nur mit MultiIndex in index, nicht mit MultiIndex in columns):

idx = pd.IndexSlice 
mask = df.loc[:, idx[:,['b','d']]] < 0 
print (mask) 
     A    B  
     b  d  b  d 
0 False False True True 
1 False False True True 
2 False False False False 
3 False False True False 
4 True True False False 

mask1 = mask.T.reindex(df.columns, method='bfill').T 
print (mask1) 
     A       B      
     a  b  c  d  a  b  c  d 
0 False False False False True True True True 
1 False False False False True True True True 
2 False False False False False False False False 
3 False False False False True True False False 
4 True True True True False False False False 

print (df.mask(mask1)) 
     A      B      
     a b  c d  a  b  c  d 
0 -1.0 0.0 -1.0 1.0 NaN NaN NaN NaN 
1 -1.0 1.0 1.0 1.0 NaN NaN NaN NaN 
2 0.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 
3 10.0 3.0 10.0 3.0 NaN NaN 10.0 100.0 
4 NaN NaN NaN NaN 20.0 200.0 20.0 200.0