按索引级别为 Pandas Multiindex DataFrame 赋值

Question

我有一个 Pandas 多索引数据框，我需要将值分配给系列中的一列。该系列与数据帧的第一级索引共享其索引。

import pandas as pd
import numpy as np
idx0 = np.array(['bar', 'bar', 'bar', 'baz', 'foo', 'foo'])
idx1 = np.array(['one', 'two', 'three', 'one', 'one', 'two'])
df = pd.DataFrame(index = [idx0, idx1], columns = ['A', 'B'])
s = pd.Series([True, False, True],index = np.unique(idx0))
print df
print s

出来：

             A    B
bar one    NaN  NaN
    two    NaN  NaN
    three  NaN  NaN
baz one    NaN  NaN
foo one    NaN  NaN
    two    NaN  NaN

bar     True
baz    False
foo     True
dtype: bool

这些不起作用：

df.A = s # does not raise an error, but does nothing
df.loc[s.index,'A'] = s # raises an error

预期输出：

             A     B
bar one    True   NaN
    two    True   NaN
    three  True   NaN
baz one    False  NaN
foo one    True   NaN
    two    True   NaN

Answer 1

系列（和字典）可以像使用 map 和 apply 的函数一样使用（感谢@normanius 改进了语法）：

df['A'] = pd.Series(df.index.get_level_values(0)).map(s).values

或类似：

df['A'] = df.reset_index(level=0)['level_0'].map(s).values

结果：

A    B
bar one     True  NaN
    two     True  NaN
    three   True  NaN
baz one    False  NaN
foo one     True  NaN
    two     True  NaN

Answer 2

df.A = s 不会引发错误，但什么也不做

确实应该有效。^{您的观点实际上与mine有关。}

ᐊᐊ 解决方法 ᐊᐊ

>>> s.index = pd.Index((c,) for c in s.index)  # ᐊᐊᐊᐊᐊᐊᐊᐊ
>>> df.A = s
>>> df
               A    B
bar one     True  NaN
    two     True  NaN
    three   True  NaN
baz one    False  NaN
foo one     True  NaN
    two     True  NaN

---

为什么上述方法有效？

因为当您直接执行df.A = s 没有解决方法时，您实际上是在尝试在子类实例中分配包含pandas.Index 的坐标，^{不知何故，它看起来像是LS principle} 的“反对派”，即pandas.MultiIndex 的一个实例。我的意思是，寻找自己：

>>> type(s.index).__name__
'Index'

而

>>> type(df.index).__name__
'MultiIndex'

因此，此解决方法是将s 的索引转换为一维pandas.MultiIndex 实例。

>>> s.index = pd.Index((c,) for c in s.index)
>>> type(s.index).__name__
'MultiIndex'

并没有明显改变

>>> s
bar     True
baz    False
foo     True
dtype: bool

---

一个想法： 从许多观点（数学的、本体论的）来看，这一切都表明pandas.Index 应该被设计为pandas.MultiIndex 的子类，而不是与现在相反。