Pandas MultiIndex groupby 保留索引级别

Question

经过研究，我在这个论坛或任何其他论坛上都没有发现类似的问题。

我正在按内部级别对 MultiIndex 数据帧进行分组。问题是，在分组之后，我仍然想知道这个内部索引上哪些是“选择的值”。

所以我有类似的东西

df = pd.DataFrame([['A', 1, 3],
                   ['A', 2, 4],
                   ['A', 3, 6],
                   ['B', 1, 9],
                   ['B', 2, 10],
                   ['B', 4, 6]],
                  columns=pd.Index(['Name', 'Date', 'Value'], name='ColumnName')
                 ).set_index(['Name', 'Date'])

ColumnName         Value
Name    Date
A        1           3
         2           4
         3           6 
B        1           9
         2           10
         4           6

我想要的是

ColumnName         Value
Name    Date
A        3           6
B        4           6

我能做的就是使用这个命令：

df.groupby(level=('Name')).last()

正在检索这个：

ColumnName         Value
Name    
A                    6
B                    6

或者，使用以下命令：

df.groupby(level=('Name','Date')).last()

检索错误。

请记住，这是一个性能敏感的应用程序。

想法？

编辑：同时我确实提交了feature request at GitHub

Answer 1

通过在 groupby 对象上使用 tail(1) 而不是 last()，您可以获得所需的行为：

In [22]: df.groupby(level='Name').tail(1)
Out[22]:
ColumnName  Value
Name Date
A    3          6
B    4          6

这是因为tail 的作用类似于“过滤器”方法，保持原始索引不变（但仅返回某些行，在本例中为每个组的最后一行）。 last 不这样做，因为此方法将为您提供每个组中每列的最后一个非 NaN 值，不一定返回原始行。

---

旧答案（使用last）：您可以使用groupby 将要保留在groupby 中的索引级别作为一列简单地实现：

In [44]: df.reset_index(level='Date').groupby(level=0).last()
Out[44]:
ColumnName  Date  Value
Name
A              3      6
B              4      6

然后您可以将其设置回索引以获得所需的结果：

In [46]: df.reset_index(level='Date').groupby(level=0).last().set_index('Date', append=True)
Out[46]:
ColumnName  Value
Name Date
A    3          6
B    4          6

---

由于被问及性能，确实 groupby 解决方案在示例数据帧上较慢：

In [96]: %timeit get_slice(df)
1000 loops, best of 3: 879 µs per loop

In [97]: %timeit df.reset_index(level='Date').groupby(level='Name').last().set_index('Date', append=True)
100 loops, best of 3: 3.75 ms per loop

In [220]: %timeit df.groupby(level='Name').tail(1)
1000 loops, best of 3: 1.04 ms per loop

但是如果你看一个更大的示例数据框，差异已经小得多（last 方法更快）：

In [83]: df1 = pd.DataFrame(
             {'Value':np.random.randint(100, size=len(string.letters)*100)}, 
             index=pd.MultiIndex.from_product([list(string.letters), range(100)],
                                              names=['Name', 'Date']))

In [84]: df1
Out[84]:
           Value
Name Date
a    0        13
     1         9
     2        11
     3        16
...          ...
Z    96       15
     97       20
     98       40
     99       91

[5200 rows x 1 columns]

In [85]: %timeit get_slice(df1)
100 loops, best of 3: 3.24 ms per loop

In [86]: %timeit df1.reset_index(level='Date').groupby(level='Name').last().set_index('Date', append=True)
100 loops, best of 3: 4.69 ms per loop

In [218]: %timeit df1.groupby(level='Name').tail(1)
1000 loops, best of 3: 1.66 ms per loop

这当然取决于具体的应用，但在许多情况下，这种性能差异并不显着。

Answer 2

这样就搞定了：

def get_slice(df):
    l0, l1 = df.index.levels
    b0, b1 = df.index.labels

    n = len(l0)
    myslice = range(n)

    for i in myslice:
        myslice[i] = (l0[i], l1[b1[b0 == i][-1]])

    return df.loc[myslice]

定时

%%timeit
get_slice(df)

1000 loops, best of 3: 458 µs per loop

Answer 3

试试这个::reset_index()

df = pd.DataFrame([['A', 1, 3],
                   ['A', 2, 4],
                   ['A', 3, 6],
                   ['B', 1, 9],
                   ['B', 2, 10],
                   ['B', 4, 6]],
                  columns=pd.Index(['Name', 'Date', 'Value'], name='ColumnName')
                 ).set_index(['Name', 'Date'])

df = df.reset_index()
df2 = df.groupby(["Name"])["Name","Date","Value" ].last()
df2.set_index(['Name', 'Date'], inplace=True)

#            Value
# Name Date       
# A    3         6
# B    4         6