从不同数据框中设置新的多索引列的方法

Question

给定一个带有 MultiIndex 列的 DataFrame (d)，我想将另一个 DataFrame (d2) 设置为“多列”之一，这样顶层有一些标签，而二级标签匹配原来的那些：

nr.seed(0)
abc = ['a', 'b', 'c']
mi = pd.MultiIndex.from_product([['A'], abc])
d = DataFrame(np.random.randint(0, 10, (4, 3)), columns=mi)
d
   A      
   a  b  c
0  5  0  3
1  3  7  9
2  3  5  2
3  4  7  6

d2 = DataFrame(np.random.randint(0, 10, (4, 3)), columns=abc)
d2
   a  b  c
0  8  8  1
1  6  7  7
2  8  1  5
3  9  8  9

如果可能，我想使用一个完成以下 forloop 的内置方法加入它们：

for c2 in d2:
    d['B', c2] = d2[c2]
d
   A        B      
   a  b  c  a  b  c
0  5  0  3  8  8  1
1  3  7  9  6  7  7
2  3  5  2  8  1  5
3  4  7  6  9  8  9

对于具有单级列的 DataFrame：

d3 = d.copy()
d3.columns = d3.columns.droplevel(0)
d3 = d3.rename(columns=dict(zip('abc', 'def')))
d3
   d  e  f
0  5  0  3
1  3  7  9
2  3  5  2
3  4  7  6

我可以做到以下几点：

d3[d2.columns] = d2
d3
   d  e  f  a  b  c
0  5  0  3  8  8  1
1  3  7  9  6  7  7
2  3  5  2  8  1  5
3  4  7  6  9  8  9

但是当我用 MultiIndexed DataFrame 尝试这个时，我得到了错误：

d['B', tuple(d2.columns)] = d2
=> ValueError: Wrong number of items passed 3, placement implies 1
d['B'][tuple(d2.columns)] = d2
=> KeyError: 'B'

有没有内置方法可以做到这一点？ （基本上一次对多个列执行this）。

Answer 1

更新：

def add_multicolumn(df, df2, new_col_name):
    tmp = df2.copy()    # make copy, otherwise df2 will be changed !!!
    tmp.columns = pd.MultiIndex.from_product([[new_col_name], df2.columns.tolist()])
    return pd.concat([df, tmp], axis=1)

假设我们有以下 DF，并且我们想要添加第三个“多列”-C：

In [114]: d
Out[114]:
   A        B
   a  b  c  a  b  c
0  5  5  7  0  7  2
1  5  3  9  0  5  5
2  5  8  5  5  5  7
3  5  4  5  4  5  2

使用我们的函数：

In [132]: add_multicolumn(d, d2, 'C')
Out[132]:
   A        B        C
   a  b  c  a  b  c  a  b  c
0  5  5  7  0  7  2  0  7  2
1  5  3  9  0  5  5  0  5  5
2  5  8  5  5  5  7  5  5  7
3  5  4  5  4  5  2  4  5  2

旧答案：

您可以使用pd.concat()：

In [35]: d = pd.concat({'A':d['A'], 'B':d2}, axis=1)

In [36]: d
Out[36]:
   A        B
   a  b  c  a  b  c
0  7  3  9  0  7  2
1  9  4  5  0  5  5
2  7  6  1  5  5  7
3  2  5  7  4  5  2

解释：

In [37]: d['A']
Out[37]:
   a  b  c
0  7  3  9
1  9  4  5
2  7  6  1
3  2  5  7

In [40]: pd.concat({'A':d['A'], 'B':d2}, axis=1)
Out[40]:
   A        B
   a  b  c  a  b  c
0  5  5  7  0  7  2
1  5  3  9  0  5  5
2  5  8  5  5  5  7
3  5  4  5  4  5  2