如何在多索引数据中划分数据

Question

如图所示，我有一个名为"overall_zx"[78]的多索引数据。

YTD2017/YTD2018/YTD2019有销量和容量。现在我要计算价格(销售额除以单个YTD)。我找到了用[79]来计算价格的方法，但是我不知道如何在overall_zx中组合这个表。

否则，有没有办法直接把它们分开呢？就像单元组的数据格式。例如：

df['price']  = df['sales'] / df['volumns'] 

(在multi-index中，此代码不起作用)

​

​

Answer 1

您可以将DataFrame.join与新的MultIndex DataFrame一起使用，方法是选择by double []和rename以相同的新名称，此处为price。

df1  = (df.join(df[['sales']].rename(columns={'sales':'price'}) / 
                df[['volumns']].rename(columns={'volumns':'price'})))

由DataFrame.stack和DataFrame.unstack重塑的另一个想法

对于新列，请将DataFrame.assign用于一行解决方案：

df1 = df.stack().assign(price = lambda x: x['sales'] / x['volumns']).unstack()

与此类似的是：

df1 = df.stack()
df1['price'] = df1['sales'] / df1['volumns']
df1 = df1.unstack()

数据借用自@Valdi_Bo：

print (df1)
  volumns                    sales                        price             \
  YTD2017 YTD2018 YTD2019  YTD2017  YTD2018  YTD2019    YTD2017    YTD2018   
A   212.0   220.0  226.16  3654.04  4163.87  4695.12  17.236038  18.926682   
B    17.5    18.5   18.57   234.84   274.47   298.90  13.419429  14.836216   
C    18.5    14.5   12.66   213.02   191.14   177.46  11.514595  13.182069   


     YTD2019  
A  20.760170  
B  16.095854  
C  14.017378  

Answer 2

在我的测试中，我使用了以下DataFrame (使用拉丁字符作为列名和索引)：

   Volume                     Sale                  
  YTD2017 YTD2018 YTD2019  YTD2017  YTD2018  YTD2019
A   212.0   220.0  226.16  3654.04  4163.87  4695.12
B    17.5    18.5   18.57   234.84   274.47   298.90
C    18.5    14.5   12.66   213.02   191.14   177.46

我的第一个观察是，仅df.Sale / df.Volume 执行工作，所以让我们将结果保存在辅助DataFrame (df2)中。到目前为止，我们已经：

     YTD2017    YTD2018    YTD2019
A  17.236038  18.926682  20.760170
B  13.419429  14.836216  16.095854
C  11.514595  13.182069  14.017378

这个结果不能连接到原始df，因为df有一个MultiIndex作为列，而df2有一个“普通”索引。

但是我们可以将缺少的索引级别添加到df2中的列中

df2.columns = pd.MultiIndex.from_product([['Price'], df2.columns])

现在，df2还包含列上的MultiIndex：

       Price                      
     YTD2017    YTD2018    YTD2019
A  17.236038  18.926682  20.760170
B  13.419429  14.836216  16.095854
C  11.514595  13.182069  14.017378

因此，现在加入这2 DataFrames没有任何障碍：

df = df.join(df2)

得到：

   Volume                     Sale                        Price             
  YTD2017 YTD2018 YTD2019  YTD2017  YTD2018  YTD2019    YTD2017    YTD2018    YTD2019 
A   212.0   220.0  226.16  3654.04  4163.87  4695.12  17.236038  18.926682  20.760170 
B    17.5    18.5   18.57   234.84   274.47   298.90  13.419429  14.836216  16.095854 
C    18.5    14.5   12.66   213.02   191.14   177.46  11.514595  13.182069  14.017378