将两列的两个值相加并将结果分配给熊猫多索引DataFrame中的第三列

问题描述

我有一个熊猫数据框：

a=[1,1,2,3,3]
dic={'A':a}

df=pd.DataFrame(dic)

我对此df应用了多索引：

index=[(1,'a'),(1,'b'),'c'),(2,(3,'c')]
df.index=pd.MultiIndex.from_tuples(index,names=['X','Y'])

我添加了一个新列：

df['B']='-'

现在我有一个df：

       A   B 
X Y          
1 a    1   -
  b    1   -
  c    1   -
2 a    2   -
  b    2   -
  c    2   -
3 a    3   -
  b    3   -
  c    3   -

本质上，我想循环遍历多索引的level ='X'，将一个级别添加到另一级别，然后将值分配给column ='B'

这是我正在考虑的方法：

dex=[]
for idx,select_df in df.groupby(level=0):
    dex.append(idx)
#gives me a list of level='X' keys

dex_iter=iter(dex)
#creates an iterator from that list

last=next(dex_iter)
#gives me the first value of that list of keys,and moves the iterator to the next value

for i in dex_iter:
    
    df.loc[i,'B']=df.loc[i,'A']+df.loc[last,'A']
    last=i

我的期望结果是：

      A   B
X Y        
1 a   1   -
  b   1   -
  c   1   -
2 a   2   3
  b   2   3
  c   2   3
3 a   3   5
  b   3   5
  c   3   5

相反，我得到的是：

      A    B
X Y        
1 a   1    -
  b   1    -
  c   1    -
2 a   2  NaN
  b   2  NaN
  c   2  NaN
3 a   3  NaN
  b   3  NaN
  c   3  NaN

这显然是由于将值分配给多索引有些特殊性。但是我找不到解决此问题的方法。

解决方法

让我们尝试groupby，first和shift：

df.groupby(level=0)['A'].first().shift()

X
1    NaN
2    1.0
3    2.0
Name: A,dtype: float64

tmp = df.index.get_level_values(0).map(df.groupby(level=0)['A'].first().shift())
print (tmp)
# Float64Index([
#    nan,nan,1.0,2.0,2.0],dtype='float64',name='X')

这将为您提供添加到“ A”以获得“ B”所需的值：

df['B'] = df['A'] + tmp
df

     A    B
X Y        
1 a  1  NaN
  b  1  NaN
  c  1  NaN
2 a  2  3.0
  b  2  3.0
  c  2  3.0
3 a  3  5.0
  b  3  5.0
  c  3  5.0