python - 带有 .loc 的多索引数据帧中的数学运算-6ren

python - 带有 .loc 的多索引数据帧中的数学运算

转载作者：行者123 更新时间：2023-12-04 14:54:04

我有一个多索引df:

                    created_at          2020-06-29                                       2020-07-06
                                        sales   orders  last_sales      differennce      sales  orders  last_sales      differennce

group               category            10      10      10              0                10      10      20             50  
A                   a1
                    a2
                    a3
B                   a1                  ...     ...     ...            ...               ...     ...     ...
                    a2
                    a3
all                 Total               100     100     100            0                 150     150     150            0

我正在尝试计算 all & Total 索引中的 difference，即 ((sales/last_sales) -1) * 100 其中created_at 是 2020-06-29 到 2021-07-19。

我试过:

df.loc[('all','Total'),(slice(None),'difference')] = 
((df.loc[('all','Total'),(slice(None),'sales')] / 
df.loc[('all','Total'),:'2021-07-19','last_sales']) - 1) * 100

但是我得到一个错误:

IndexError: list index out of range

我似乎无法选择我想要的 created_at 范围，但这有效:

df.loc[:,:'2021-07-19'] # returning the dates I want, from first to selected

但是当我尝试选择它中断的一行时:

df_out.loc[:,(:'2021-07-19','sales')] # SyntaxError: invalid syntax

&

df_out.loc[:,:'2021-07-19','sales'] # IndexError: list index out of range

我如何选择 group = all、category = Total 和日期从 2020-06-29 到 2020-07- 的所有行19?

我也试过:

df.loc[('all','Total'),(slice(None),'difference')] = 
((df.loc[('all','Total'),(slice(None),'sales')] / 
df.loc[('all','Total'),(slice(None),'last_sales')]) - 1) * 100 # slice(None) instead of date

但这会给我带来 ZeroDivisionError: float division by zero 因为 2021-07-19 以上的日期有 last_sales = 0。也许还有其他处理 0 的方法？我尝试像这样添加 1 df.loc[('all','Total'),(slice(None),'last_sales')]+1) - 1) * 100 但我仍然遇到同样的错误。

示例df:

df = pd.DataFrame.from_dict({('group', ''): {0: 'A',
  1: 'A',
  2: 'A',
  3: 'A',
  4: 'A',
  5: 'A',
  6: 'A',
  7: 'A',
  8: 'A',
  9: 'B',
  10: 'B',
  11: 'B',
  12: 'B',
  13: 'B',
  14: 'B',
  15: 'B',
  16: 'B',
  17: 'B',
  18: 'all',
  19: 'all'},
 ('category', ''): {0: 'Amazon',
  1: 'Apple',
  2: 'Facebook',
  3: 'Google',
  4: 'Netflix',
  5: 'Tesla',
  6: 'Total',
  7: 'Uber',
  8: 'total',
  9: 'Amazon',
  10: 'Apple',
  11: 'Facebook',
  12: 'Google',
  13: 'Netflix',
  14: 'Tesla',
  15: 'Total',
  16: 'Uber',
  17: 'total',
  18: 'Total',
  19: 'total'},
 (pd.Timestamp('2020-06-29 00:00:00'), 'last_sales'): {0: 195.0,
  1: 61.0,
  2: 106.0,
  3: 61.0,
  4: 37.0,
  5: 13.0,
  6: 954.0,
  7: 4.0,
  8: 477.0,
  9: 50.0,
  10: 50.0,
  11: 75.0,
  12: 43.0,
  13: 17.0,
  14: 14.0,
  15: 504.0,
  16: 3.0,
  17: 252.0,
  18: 2916.0,
  19: 2916.0},
 (pd.Timestamp('2020-06-29 00:00:00'), 'sales'): {0: 1268.85,
  1: 18274.385000000002,
  2: 19722.65,
  3: 55547.255,
  4: 15323.800000000001,
  5: 1688.6749999999997,
  6: 227463.23,
  7: 1906.0,
  8: 113731.615,
  9: 3219.6499999999996,
  10: 15852.060000000001,
  11: 17743.7,
  12: 37795.15,
  13: 5918.5,
  14: 1708.75,
  15: 166349.64,
  16: 937.01,
  17: 83174.82,
  18: 787625.7400000001,
  19: 787625.7400000001},
 (pd.Timestamp('2020-06-29 00:00:00'), 'difference'): {0: 0.0,
  1: 0.0,
  2: 0.0,
  3: 0.0,
  4: 0.0,
  5: 0.0,
  6: 0.0,
  7: 0.0,
  8: 0.0,
  9: 0.0,
  10: 0.0,
  11: 0.0,
  12: 0.0,
  13: 0.0,
  14: 0.0,
  15: 0.0,
  16: 0.0,
  17: 0.0,
  18: 0.0,
  19: 0.0},
 (pd.Timestamp('2020-07-06 00:00:00'), 'last_sales'): {0: 26.0,
  1: 39.0,
  2: 79.0,
  3: 49.0,
  4: 10.0,
  5: 10.0,
  6: 436.0,
  7: 5.0,
  8: 218.0,
  9: 89.0,
  10: 34.0,
  11: 133.0,
  12: 66.0,
  13: 21.0,
  14: 20.0,
  15: 732.0,
  16: 3.0,
  17: 366.0,
  18: 2336.0,
  19: 2336.0},
 (pd.Timestamp('2020-07-06 00:00:00'), 'sales'): {0: 3978.15,
  1: 12138.96,
  2: 19084.175,
  3: 40033.46000000001,
  4: 4280.15,
  5: 1495.1,
  6: 165548.29,
  7: 1764.15,
  8: 82774.145,
  9: 8314.92,
  10: 12776.649999999996,
  11: 28048.075,
  12: 55104.21000000002,
  13: 6962.844999999999,
  14: 3053.2000000000003,
  15: 231049.11000000002,
  16: 1264.655,
  17: 115524.55500000001,
  18: 793194.8000000002,
  19: 793194.8000000002},
 (pd.Timestamp('2020-07-06 00:00:00'), 'difference'): {0: 0.0,
  1: 0.0,
  2: 0.0,
  3: 0.0,
  4: 0.0,
  5: 0.0,
  6: 0.0,
  7: 0.0,
  8: 0.0,
  9: 0.0,
  10: 0.0,
  11: 0.0,
  12: 0.0,
  13: 0.0,
  14: 0.0,
  15: 0.0,
  16: 0.0,
  17: 0.0,
  18: 0.0,
  19: 0.0},
 (pd.Timestamp('2021-06-28 00:00:00'), 'last_sales'): {0: 96.0,
  1: 56.0,
  2: 106.0,
  3: 44.0,
  4: 34.0,
  5: 13.0,
  6: 716.0,
  7: 9.0,
  8: 358.0,
  9: 101.0,
  10: 22.0,
  11: 120.0,
  12: 40.0,
  13: 13.0,
  14: 8.0,
  15: 610.0,
  16: 1.0,
  17: 305.0,
  18: 2652.0,
  19: 2652.0},
 (pd.Timestamp('2021-06-28 00:00:00'), 'sales'): {0: 5194.95,
  1: 19102.219999999994,
  2: 22796.420000000002,
  3: 30853.115,
  4: 11461.25,
  5: 992.6,
  6: 188143.41,
  7: 3671.15,
  8: 94071.705,
  9: 6022.299999999998,
  10: 7373.6,
  11: 33514.0,
  12: 35943.45,
  13: 4749.000000000001,
  14: 902.01,
  15: 177707.32,
  16: 349.3,
  17: 88853.66,
  18: 731701.46,
  19: 731701.46},
 (pd.Timestamp('2021-06-28 00:00:00'), 'difference'): {0: 0.0,
  1: 0.0,
  2: 0.0,
  3: 0.0,
  4: 0.0,
  5: 0.0,
  6: 0.0,
  7: 0.0,
  8: 0.0,
  9: 0.0,
  10: 0.0,
  11: 0.0,
  12: 0.0,
  13: 0.0,
  14: 0.0,
  15: 0.0,
  16: 0.0,
  17: 0.0,
  18: 0.0,
  19: 0.0},
 (pd.Timestamp('2021-07-07 00:00:00'), 'last_sales'): {0: 45.0,
  1: 47.0,
  2: 87.0,
  3: 45.0,
  4: 13.0,
  5: 8.0,
  6: 494.0,
  7: 2.0,
  8: 247.0,
  9: 81.0,
  10: 36.0,
  11: 143.0,
  12: 56.0,
  13: 9.0,
  14: 9.0,
  15: 670.0,
  16: 1.0,
  17: 335.0,
  18: 2328.0,
  19: 2328.0},
 (pd.Timestamp('2021-07-07 00:00:00'), 'sales'): {0: 7556.414999999998,
  1: 14985.05,
  2: 16790.899999999998,
  3: 36202.729999999996,
  4: 4024.97,
  5: 1034.45,
  6: 163960.32999999996,
  7: 1385.65,
  8: 81980.16499999998,
  9: 5600.544999999999,
  10: 11209.92,
  11: 32832.61,
  12: 42137.44500000001,
  13: 3885.1499999999996,
  14: 1191.5,
  15: 194912.34000000003,
  16: 599.0,
  17: 97456.17000000001,
  18: 717745.3400000001,
  19: 717745.3400000001},
 (pd.Timestamp('2021-07-07 00:00:00'), 'difference'): {0: 0.0,
  1: 0.0,
  2: 0.0,
  3: 0.0,
  4: 0.0,
  5: 0.0,
  6: 0.0,
  7: 0.0,
  8: 0.0,
  9: 0.0,
  10: 0.0,
  11: 0.0,
  12: 0.0,
  13: 0.0,
  14: 0.0,
  15: 0.0,
  16: 0.0,
  17: 0.0,
  18: 0.0,
  19: 0.0}}).set_index(['group','category'])

最佳答案

我们可以使用 pd.IndexSlice 并且我们需要在 pd.Timestamp 上切片，因为您的第一级列是 datetime 类型:

idx = pd.IndexSlice
sales = df.loc[('all','Total'),(slice(None),'sales')].droplevel(level=1)
last_sales = df.loc[('all','Total'), :pd.Timestamp("2021-07-07")].loc[idx[:, "last_sales"]]

df.loc[('all','Total'),(slice(None),'difference')] = sales.div(last_sales).sub(1).mul(100).to_numpy()

               2020-06-29 00:00:00                      2020-07-06 00:00:00                      2021-06-28 00:00:00                      2021-07-07 00:00:00                     
                        last_sales     sales difference          last_sales     sales difference          last_sales     sales difference          last_sales     sales difference
group category                                                                                                                                                                    
A     Amazon                195.00   1268.85       0.00               26.00   3978.15       0.00               96.00   5194.95       0.00               45.00   7556.41       0.00
      Apple                  61.00  18274.39       0.00               39.00  12138.96       0.00               56.00  19102.22       0.00               47.00  14985.05       0.00
      Facebook              106.00  19722.65       0.00               79.00  19084.17       0.00              106.00  22796.42       0.00               87.00  16790.90       0.00
      Google                 61.00  55547.25       0.00               49.00  40033.46       0.00               44.00  30853.12       0.00               45.00  36202.73       0.00
      Netflix                37.00  15323.80       0.00               10.00   4280.15       0.00               34.00  11461.25       0.00               13.00   4024.97       0.00
      Tesla                  13.00   1688.67       0.00               10.00   1495.10       0.00               13.00    992.60       0.00                8.00   1034.45       0.00
      Total                 954.00 227463.23       0.00              436.00 165548.29       0.00              716.00 188143.41       0.00              494.00 163960.33       0.00
      Uber                    4.00   1906.00       0.00                5.00   1764.15       0.00                9.00   3671.15       0.00                2.00   1385.65       0.00
      total                 477.00 113731.62       0.00              218.00  82774.15       0.00              358.00  94071.71       0.00              247.00  81980.16       0.00
B     Amazon                 50.00   3219.65       0.00               89.00   8314.92       0.00              101.00   6022.30       0.00               81.00   5600.54       0.00
      Apple                  50.00  15852.06       0.00               34.00  12776.65       0.00               22.00   7373.60       0.00               36.00  11209.92       0.00
      Facebook               75.00  17743.70       0.00              133.00  28048.08       0.00              120.00  33514.00       0.00              143.00  32832.61       0.00
      Google                 43.00  37795.15       0.00               66.00  55104.21       0.00               40.00  35943.45       0.00               56.00  42137.45       0.00
      Netflix                17.00   5918.50       0.00               21.00   6962.84       0.00               13.00   4749.00       0.00                9.00   3885.15       0.00
      Tesla                  14.00   1708.75       0.00               20.00   3053.20       0.00                8.00    902.01       0.00                9.00   1191.50       0.00
      Total                 504.00 166349.64       0.00              732.00 231049.11       0.00              610.00 177707.32       0.00              670.00 194912.34       0.00
      Uber                    3.00    937.01       0.00                3.00   1264.65       0.00                1.00    349.30       0.00                1.00    599.00       0.00
      total                 252.00  83174.82       0.00              366.00 115524.56       0.00              305.00  88853.66       0.00              335.00  97456.17       0.00
all   Total                2916.00 787625.74   26910.48             2336.00 793194.80   33855.26             2652.00 731701.46   27490.55             2328.00 717745.34   30730.99
      total                2916.00 787625.74       0.00             2336.00 793194.80       0.00             2652.00 731701.46       0.00             2328.00 717745.34       0.00

关于python - 带有 .loc 的多索引数据帧中的数学运算，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/68481367/

文章推荐： javascript - JS用什么技巧显示/计算 float

文章推荐： android - NotificationChannel 名称和描述的用途

boolean 运算
为什么 (defun boolimplies (a b) (or (not a) b)) if called as(boolimplies 'a 'b) 返回 B? 即使我不使用任何 boolean
python - 跨多个列表的逻辑 AND 运算
这个问题已经有答案了: Are there builtin functions for elementwise boolean operators over boolean lists? (5 个回答
javascript - 对分成两个数字的字符串进行百分比 (%) 运算
我正在寻求帮助以使以下功能看起来更清晰。我觉得我可以通过使用更少的代码行来实现同样的目标。标题看起来一定很困惑，所以让我详细说明一下。我创建了一个函数，它接受用户输入(即 72+5)，将字符串拆分为
C++运算符重载无法输出+运算
我正在学习 C++ 并尝试为矩阵编写一个 C++ 类，我在其中将矩阵存储为一维 C 数组。为此，我定义了一个 element成员函数根据矩阵元素在数组中的位置访问矩阵元素。然后我重载了 class
C++运算符重载无法输出+运算
我正在学习 C++ 并尝试为矩阵编写一个 C++ 类，我在其中将矩阵存储为一维 C 数组。为此，我定义了一个 element成员函数根据矩阵元素在数组中的位置访问矩阵元素。然后我重载了 class
java - 使用 AND 运算
伙计们，以下内容不起作用函数返回 true，变量返回 false，但它不会进入 when 子句。我尝试像这样放大括号但是当我将变量的值设置为 true 并将上面的代码更改为它进入w
c - 不同位长度的 AND 运算
关闭。此题需要details or clarity 。目前不接受答案。想要改进这个问题吗？通过 editing this post 添加详细信息并澄清问题. 已关闭 9 年前。 Improve th
c - if 运算中的 OR 运算
我是原生 C 语言的新手，但我没有看到错误。我尝试在这种情况下使用 if 操作: #define PAGE_A 0 #define PAGE_B 1 int pageID = 0; if (page
javascript - 两个String不能相加(+=运算)
我正在从事一个项目，让用户鼠标滚轮移动并知道它向上或向下滚动。在我的代码中，我可以上下移动。但我想将 Action 保存到一个字符串中。例如，如果用户向上向上向下滚动'mhmh' 显示返回“UUD”但
MySQL SUM() 运算
我有一个 MySQL 表 payment我在其中存储客户的所有付款相关数据。表字段为:fileNo , clientName , billNo , billAmount , status 。我想构建一
MySql OR 和 AND 运算
我的表架构如下: +------+-------+-------+
C++ - boolean 运算
我有这个(顺便说一句，我刚刚开始学习): #include #include using namespace std; int main() { string mystr; cout << "We
linux - 变量的 IF 运算
我正在用 bash 构建一个用于 Linux (SLES 11SP3) 的脚本。我想通过使用以下语法查找它的 pid 来检查某个进程是否存在: pid="$(ps -ef | grep -v grep
mysql - 如何对单个列执行 AND 运算？
我有一个包含两列的表格； CREATE TABLE IF NOT EXISTS `QUESTION_CATEGORY_RELATION` ( `question_id` int(16) NOT N
python - bool 运算
我对 Python 如何计算 bool 语句感到困惑。例如 False and 2 or 3 返回 3 这是如何评估的？我认为 Python 首先会查看“False and 2”，甚至不查看“or
integer - 带整数的 boolean 运算
这个问题在这里已经有了答案: 12 年前关闭。这可能是非常基本的......但我似乎不明白: 如何 (2 & 1) = 0 (3 & 1) = 1 (4 & 1) = 0 等等.. 上面的这种模式似
Haskell:非严格的 bool 运算
无论如何在Haskell中定义如下函数？ or True True = True or True undefined = True or True False
runtime - 将数学运算添加到标准 TCL 运算
如您所知，TCL 有一些数学函数，例如罪 , 因 , 和假设在中调用的expr 带有的命令() 大括号如下: puts [expr sin(1.57)] 现在如何使用 TCL 添加功能 li
java - Java 中列表的 AND/OR 运算
让我们考虑两个数组列表。 ArrayList list1 = new ArrayList(); list1.add(1); list1.add(2); list1.add(3); ArrayList
php - 使用AND和OR的Elasticsearch NOT bool 运算
我想包含和排除使用AND和OR的专业知识，包括与AND和OR操作正常工作。但是，当将排除专家与AND和OR一起使用时，返回与3相同的结果计数。我使用的是1.4版 Elasticsearch 。帮助我解

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python - 带有 .loc 的多索引数据帧中的数学运算