python - Pandas:如何对 MultiIndex 进行分组和求和

Question

我有一个带有分类属性的数据框，其中索引包含重复项。我试图找到索引和属性的每种可能组合的总和。

x = pd.DataFrame({'x':[1,1,3,3],'y':[3,3,5,5]},index=[11,11,12,12])
y = x.stack()
print(y)
print(y.groupby(level=[0,1]).sum())

输出

11  x    1
    y    3
    x    1
    y    3
12  x    3
    y    5
    x    3
    y    5
dtype: int64
11  x    1
    y    3
    x    1
    y    3
12  x    3
    y    5
    x    3
    y    5
dtype: int64

stack和group by sum是一样的。

不过，我期待的是

11  x    2
11  y    6
12  x    6
12  y    10

编辑 2:

x = pd.DataFrame({'x':[1,1,3,3],'y':[3,3,5,5]},index=[11,11,12,12])
y = x.stack().groupby(level=[0,1]).sum()
print(y.groupby(level=[0,1]).sum())

输出:

11  x    1
    y    3
    x    1
    y    3
12  x    3
    y    5
    x    3
    y    5
dtype: int64

编辑3:已记录问题 https://github.com/pydata/pandas/issues/10417

Answer 1

使用 pandas 0.16.2 和 Python 3，我能够通过以下方式获得正确的结果:

x.stack().reset_index().groupby(['level_0','level_1']).sum()

产生:

                    0
level_0 level_1 
     11       x     2
              y     6
     12       x     6
              y     10

然后，您可以使用 reindex() 和 columns 将索引和列名称更改为更理想的名称。

根据我的研究，我同意原始方法的失败似乎是一个错误。我认为错误出在 Series 上，这是 x.stack() 产生的。我的解决方法是通过 reset_index() 将 Series 转换为 DataFrame。在这种情况下，DataFrame 不再有 MultiIndex - 我只是对带标签的列进行分组。

为确保分组和求和在具有 MultiIndex 的 DataFrame 上有效，您可以尝试这样做以获得相同的正确输出:

x.stack().reset_index().set_index(['level_0','level_1'],drop=True).\
groupby(level=[0,1]).sum()

在错误解决之前，这些解决方法中的任何一个都应该可以解决问题。

我想知道该错误是否与在 Series 和 DataFrame 上创建的 MultiIndex 实例有关。例如:

In[1]: obj = x.stack()
       type(obj)
Out[1]: pandas.core.series.Series

In[2]: obj.index
Out[2]: MultiIndex(levels=[[11, 11, 12, 12], ['x', 'y']],
           labels=[[0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 0, 1, 0, 1, 0, 1]])

对比

In[3]: obj = x.stack().reset_index().set_index(['level_0','level_1'],drop=True)
       type(obj)
Out[3]: pandas.core.frame.DataFrame

In[4]: obj.index
Out[4]: MultiIndex(levels=[[11, 12], ['x', 'y']],
           labels=[[0, 0, 0, 0, 1, 1, 1, 1], [0, 1, 0, 1, 0, 1, 0, 1]],
           names=['level_0', 'level_1'])

请注意 DataFrame 上的 MultiIndex 如何更正确地描述级别。