Pandy - Jak spłaszczyć indeks hierarchiczny w kolumnach

Mam ramkę danych z hierarchicznym indeksem w osi 1 (kolumny) (z groupby.aggoperacji):

     USAF   WBAN  year  month  day  s_PC  s_CL  s_CD  s_CNT  tempf       
                                     sum   sum   sum    sum   amax   amin
0  702730  26451  1993      1    1     1     0    12     13  30.92  24.98
1  702730  26451  1993      1    2     0     0    13     13  32.00  24.98
2  702730  26451  1993      1    3     1    10     2     13  23.00   6.98
3  702730  26451  1993      1    4     1     0    12     13  10.04   3.92
4  702730  26451  1993      1    5     3     0    10     13  19.94  10.94

Chcę go spłaszczyć, aby wyglądał tak (nazwy nie są krytyczne - mógłbym zmienić nazwę):

     USAF   WBAN  year  month  day  s_PC  s_CL  s_CD  s_CNT  tempf_amax  tmpf_amin   
0  702730  26451  1993      1    1     1     0    12     13  30.92          24.98
1  702730  26451  1993      1    2     0     0    13     13  32.00          24.98
2  702730  26451  1993      1    3     1    10     2     13  23.00          6.98
3  702730  26451  1993      1    4     1     0    12     13  10.04          3.92
4  702730  26451  1993      1    5     3     0    10     13  19.94          10.94

Jak mam to zrobic? (Dużo próbowałem, bezskutecznie.)

Według sugestii, tutaj jest głowa w formie dykta

{('USAF', ''): {0: '702730',
  1: '702730',
  2: '702730',
  3: '702730',
  4: '702730'},
 ('WBAN', ''): {0: '26451', 1: '26451', 2: '26451', 3: '26451', 4: '26451'},
 ('day', ''): {0: 1, 1: 2, 2: 3, 3: 4, 4: 5},
 ('month', ''): {0: 1, 1: 1, 2: 1, 3: 1, 4: 1},
 ('s_CD', 'sum'): {0: 12.0, 1: 13.0, 2: 2.0, 3: 12.0, 4: 10.0},
 ('s_CL', 'sum'): {0: 0.0, 1: 0.0, 2: 10.0, 3: 0.0, 4: 0.0},
 ('s_CNT', 'sum'): {0: 13.0, 1: 13.0, 2: 13.0, 3: 13.0, 4: 13.0},
 ('s_PC', 'sum'): {0: 1.0, 1: 0.0, 2: 1.0, 3: 1.0, 4: 3.0},
 ('tempf', 'amax'): {0: 30.920000000000002,
  1: 32.0,
  2: 23.0,
  3: 10.039999999999999,
  4: 19.939999999999998},
 ('tempf', 'amin'): {0: 24.98,
  1: 24.98,
  2: 6.9799999999999969,
  3: 3.9199999999999982,
  4: 10.940000000000001},
 ('year', ''): {0: 1993, 1: 1993, 2: 1993, 3: 1993, 4: 1993}}

Myślę, że najłatwiejszym sposobem jest ustawienie kolumn na najwyższym poziomie:

df.columns = df.columns.get_level_values(0)

Uwaga: jeśli poziom do ma nazwę, możesz również uzyskać do niej dostęp, zamiast 0.

.

Jeśli chcesz połączyć / joinswój MultiIndex w jeden Indeks (zakładając, że masz tylko ciąg znaków w kolumnach), możesz:

df.columns = [' '.join(col).strip() for col in df.columns.values]

Uwaga: musimy stripwprowadzić białe znaki, gdy nie ma drugiego indeksu.

In [11]: [' '.join(col).strip() for col in df.columns.values]
Out[11]: 
['USAF',
 'WBAN',
 'day',
 'month',
 's_CD sum',
 's_CL sum',
 's_CNT sum',
 's_PC sum',
 'tempf amax',
 'tempf amin',
 'year']

pd.DataFrame(df.to_records()) # multiindex become columns and new index is integers only

Wszystkie aktualne odpowiedzi w tym wątku musiały być nieco przestarzałe. Począwszy od pandaswersji 0.24.0, .to_flat_index()robi to, czego potrzebujesz.

Z własnej dokumentacji pandy :

MultiIndex.to_flat_index ()

Konwertuj MultiIndex na Indeks krotek zawierający wartości poziomu.

Prosty przykład z jego dokumentacji:

import pandas as pd
print(pd.__version__) # '0.23.4'
index = pd.MultiIndex.from_product(
        [['foo', 'bar'], ['baz', 'qux']],
        names=['a', 'b'])

print(index)
# MultiIndex(levels=[['bar', 'foo'], ['baz', 'qux']],
#           codes=[[1, 1, 0, 0], [0, 1, 0, 1]],
#           names=['a', 'b'])

Zastosowanie to_flat_index():

index.to_flat_index()
# Index([('foo', 'baz'), ('foo', 'qux'), ('bar', 'baz'), ('bar', 'qux')], dtype='object')

Używanie go do zastąpienia istniejącej pandaskolumny

Przykład, w jaki sposób będziesz go używać dat, czyli DataFrame z MultiIndexkolumną:

dat = df.loc[:,['name','workshop_period','class_size']].groupby(['name','workshop_period']).describe()
print(dat.columns)
# MultiIndex(levels=[['class_size'], ['count', 'mean', 'std', 'min', '25%', '50%', '75%', 'max']],
#            codes=[[0, 0, 0, 0, 0, 0, 0, 0], [0, 1, 2, 3, 4, 5, 6, 7]])

dat.columns = dat.columns.to_flat_index()
print(dat.columns)
# Index([('class_size', 'count'),  ('class_size', 'mean'),
#     ('class_size', 'std'),   ('class_size', 'min'),
#     ('class_size', '25%'),   ('class_size', '50%'),
#     ('class_size', '75%'),   ('class_size', 'max')],
#  dtype='object')

Odpowiedź Andy'ego Haydena jest z pewnością najłatwiejszym sposobem - jeśli chcesz uniknąć powielania etykiet kolumn, musisz trochę ulepszyć

In [34]: df
Out[34]: 
     USAF   WBAN  day  month  s_CD  s_CL  s_CNT  s_PC  tempf         year
                               sum   sum    sum   sum   amax   amin      
0  702730  26451    1      1    12     0     13     1  30.92  24.98  1993
1  702730  26451    2      1    13     0     13     0  32.00  24.98  1993
2  702730  26451    3      1     2    10     13     1  23.00   6.98  1993
3  702730  26451    4      1    12     0     13     1  10.04   3.92  1993
4  702730  26451    5      1    10     0     13     3  19.94  10.94  1993


In [35]: mi = df.columns

In [36]: mi
Out[36]: 
MultiIndex
[(USAF, ), (WBAN, ), (day, ), (month, ), (s_CD, sum), (s_CL, sum), (s_CNT, sum), (s_PC, sum), (tempf, amax), (tempf, amin), (year, )]


In [37]: mi.tolist()
Out[37]: 
[('USAF', ''),
 ('WBAN', ''),
 ('day', ''),
 ('month', ''),
 ('s_CD', 'sum'),
 ('s_CL', 'sum'),
 ('s_CNT', 'sum'),
 ('s_PC', 'sum'),
 ('tempf', 'amax'),
 ('tempf', 'amin'),
 ('year', '')]

In [38]: ind = pd.Index([e[0] + e[1] for e in mi.tolist()])

In [39]: ind
Out[39]: Index([USAF, WBAN, day, month, s_CDsum, s_CLsum, s_CNTsum, s_PCsum, tempfamax, tempfamin, year], dtype=object)

In [40]: df.columns = ind




In [46]: df
Out[46]: 
     USAF   WBAN  day  month  s_CDsum  s_CLsum  s_CNTsum  s_PCsum  tempfamax  tempfamin  \
0  702730  26451    1      1       12        0        13        1      30.92      24.98   
1  702730  26451    2      1       13        0        13        0      32.00      24.98   
2  702730  26451    3      1        2       10        13        1      23.00       6.98   
3  702730  26451    4      1       12        0        13        1      10.04       3.92   
4  702730  26451    5      1       10        0        13        3      19.94      10.94   




   year  
0  1993  
1  1993  
2  1993  
3  1993  
4  1993

df.columns = ['_'.join(tup).rstrip('_') for tup in df.columns.values]

A jeśli chcesz zachować informacje o agregacji z drugiego poziomu multiindeksu, możesz spróbować:

In [1]: new_cols = [''.join(t) for t in df.columns]
Out[1]:
['USAF',
 'WBAN',
 'day',
 'month',
 's_CDsum',
 's_CLsum',
 's_CNTsum',
 's_PCsum',
 'tempfamax',
 'tempfamin',
 'year']

In [2]: df.columns = new_cols

Najbardziej pythonowy sposób, aby to zrobić, aby użyć mapfunkcji.

df.columns = df.columns.map(' '.join).str.strip()

Wyjście print(df.columns):

Index(['USAF', 'WBAN', 'day', 'month', 's_CD sum', 's_CL sum', 's_CNT sum',
       's_PC sum', 'tempf amax', 'tempf amin', 'year'],
      dtype='object')

Zaktualizuj za pomocą Python 3.6+ z ciągiem f:

df.columns = [f'{f} {s}' if s != '' else f'{f}' 
              for f, s in df.columns]

print(df.columns)

Wynik:

Index(['USAF', 'WBAN', 'day', 'month', 's_CD sum', 's_CL sum', 's_CNT sum',
       's_PC sum', 'tempf amax', 'tempf amin', 'year'],
      dtype='object')

Najłatwiejszym i najbardziej intuicyjnym rozwiązaniem było dla mnie połączenie nazw kolumn za pomocą wartości get_level_values . Zapobiega to duplikowaniu nazw kolumn, gdy wykonujesz więcej niż jedną agregację w tej samej kolumnie:

level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
df.columns = level_one + level_two

Jeśli chcesz separator między kolumnami, możesz to zrobić. Zwróci to samo, co komentarz Seiji Armstronga do zaakceptowanej odpowiedzi, który zawiera tylko podkreślenia dla kolumn z wartościami na obu poziomach indeksu:

level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
column_separator = ['_' if x != '' else '' for x in level_two]
df.columns = level_one + column_separator + level_two

Wiem, że robi to to samo, co świetna odpowiedź Andy'ego Haydena powyżej, ale myślę, że jest to nieco bardziej intuicyjne i łatwiejsze do zapamiętania (więc nie muszę ciągle odwoływać się do tego wątku), szczególnie dla początkujących użytkowników pand .

Ta metoda jest również bardziej rozszerzalna w przypadku, gdy możesz mieć 3 poziomy kolumn.

level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
level_three = df.columns.get_level_values(2).astype(str)
df.columns = level_one + level_two + level_three

Po przeczytaniu wszystkich odpowiedzi wpadłem na to:

def __my_flatten_cols(self, how="_".join, reset_index=True):
    how = (lambda iter: list(iter)[-1]) if how == "last" else how
    self.columns = [how(filter(None, map(str, levels))) for levels in self.columns.values] \
                    if isinstance(self.columns, pd.MultiIndex) else self.columns
    return self.reset_index() if reset_index else self
pd.DataFrame.my_flatten_cols = __my_flatten_cols

Stosowanie:

Biorąc pod uwagę ramkę danych:

df = pd.DataFrame({"grouper": ["x","x","y","y"], "val1": [0,2,4,6], 2: [1,3,5,7]}, columns=["grouper", "val1", 2])

  grouper  val1  2
0       x     0  1
1       x     2  3
2       y     4  5
3       y     6  7

• Metoda pojedynczej agregacji : zmienne wynikowe nazwane tak samo jak źródło :

  df.groupby(by="grouper").agg("min").my_flatten_cols()

  • Taki sam jak df.groupby(by="grouper", as_index = False) lub .agg(...).reset_index ()

  • ----- before -----
               val1  2
      grouper         
    
    ------ after -----
      grouper  val1  2
    0       x     0  1
    1       y     4  5

• Zmienna z jednego źródła, wiele agregacji : zmienne wynikowe nazwane na podstawie statystyk :

  df.groupby(by="grouper").agg({"val1": [min,max]}).my_flatten_cols("last")

  • Tak samo jak a = df.groupby(..).agg(..); a.columns = a.columns.droplevel(0); a.reset_index().

  • ----- before -----
                val1    
               min max
      grouper         
    
    ------ after -----
      grouper  min  max
    0       x    0    2
    1       y    4    6

• Wiele zmiennych, wiele agregacji : zmienne wynikowe o nazwie (varname) _ (statname) :

  df.groupby(by="grouper").agg({"val1": min, 2:[sum, "size"]}).my_flatten_cols()
  # you can combine the names in other ways too, e.g. use a different delimiter:
  #df.groupby(by="grouper").agg({"val1": min, 2:[sum, "size"]}).my_flatten_cols(" ".join)

  • Działa a.columns = ["_".join(filter(None, map(str, levels))) for levels in a.columns.values]pod maską (ponieważ ta forma agg()powodujeMultiIndex kolumnach).
  • Jeśli nie masz my_flatten_colspomocnika, może być łatwiej wpisać rozwiązanie sugerowane przez @Seigi :a.columns = ["_".join(t).rstrip("_") for t in a.columns.values] , który działa podobnie jak w tym przypadku (ale nie działa, jeśli masz etykiet numerycznych na kolumnach)
  • Do obsługi etykiet numerycznych na kolumnach można użyć rozwiązania sugerowanego przez @jxstanford i @Nolan Conaway ( a.columns = ["_".join(tuple(map(str, t))).rstrip("_") for t in a.columns.values]), ale nie rozumiem, dlaczego tuple()wywołanie jest potrzebne i uważam, że rstrip()jest wymagane tylko wtedy, gdy niektóre kolumny mają deskryptor podobny do ("colname", "")( co może się zdarzyć, jeśli reset_index()przed próbą naprawy .columns)

  • ----- before -----
               val1           2     
               min       sum    size
      grouper              
    
    ------ after -----
      grouper  val1_min  2_sum  2_size
    0       x         0      4       2
    1       y         4     12       2

• Chcesz wymienić wynikające zmienne ręcznie: (jest to przestarzała od pand 0.20.0 z braku odpowiedniej alternatywy 0,23 )

  df.groupby(by="grouper").agg({"val1": {"sum_of_val1": "sum", "count_of_val1": "count"},
                                     2: {"sum_of_2":    "sum", "count_of_2":    "count"}}).my_flatten_cols("last")

  • Inne sugestie obejmują : ręczne ustawienie kolumn: res.columns = ['A_sum', 'B_sum', 'count']lub wprowadzenie .join()wielu groupbyinstrukcji.

  • ----- before -----
                       val1                      2         
              count_of_val1 sum_of_val1 count_of_2 sum_of_2
      grouper                                              
    
    ------ after -----
      grouper  count_of_val1  sum_of_val1  count_of_2  sum_of_2
    0       x              2            2           2         4
    1       y              2           10           2        12

Przypadki obsługiwane przez funkcję pomocnika

• nazwy poziomów mogą być nie łańcuchowe, np. Pandas DataFrame według numerów kolumn, gdy nazwy kolumn są liczbami całkowitymi , więc musimy przekonwertować za pomocąmap(str, ..)
• mogą być również puste, więc musimy filter(None, ..)
• dla kolumn jednopoziomowych (tzn. cokolwiek oprócz MultiIndex) columns.valueszwraca nazwy ( strnie krotek)
• w zależności od sposobu użycia .agg()może być konieczne zachowanie najniższej etykiety kolumny lub połączenie wielu etykiet
• (ponieważ jestem nowy w pandach?) częściej niż nie, chcę reset_index()mieć możliwość regularnej pracy z kolumnami grupowania, więc domyślnie tak jest

Ogólne rozwiązanie, które obsługuje wiele poziomów i typy mieszane:

df.columns = ['_'.join(tuple(map(str, t))) for t in df.columns.values]

Może trochę za późno, ale jeśli nie martwisz się o zduplikowane nazwy kolumn:

df.columns = df.columns.tolist()

Jeśli chcesz mieć w nazwie separator między poziomami, ta funkcja działa dobrze.

def flattenHierarchicalCol(col,sep = '_'):
    if not type(col) is tuple:
        return col
    else:
        new_col = ''
        for leveli,level in enumerate(col):
            if not level == '':
                if not leveli == 0:
                    new_col += sep
                new_col += level
        return new_col

df.columns = df.columns.map(flattenHierarchicalCol)

Po @jxstanford i @ tvt173 napisałem szybką funkcję, która powinna załatwić sprawę, niezależnie od nazw kolumn string / int:

def flatten_cols(df):
    df.columns = [
        '_'.join(tuple(map(str, t))).rstrip('_') 
        for t in df.columns.values
        ]
    return df

Możesz także zrobić jak poniżej. Weź pod uwagę dframkę danych i załóż dwupoziomowy indeks (jak w twoim przykładzie)

df.columns = [(df.columns[i][0])+'_'+(datadf_pos4.columns[i][1]) for i in range(len(df.columns))]

Podzielę się prostym sposobem, który zadziałał dla mnie.

[" ".join([str(elem) for elem in tup]) for tup in df.columns.tolist()]
#df = df.reset_index() if needed

Aby spłaszczyć MultiIndex w łańcuchu innych metod DataFrame, zdefiniuj taką funkcję:

def flatten_index(df):
  df_copy = df.copy()
  df_copy.columns = ['_'.join(col).rstrip('_') for col in df_copy.columns.values]
  return df_copy.reset_index()

Następnie użyj pipemetody, aby zastosować tę funkcję w łańcuchu metod DataFrame, przed groupbyi aggprzed innymi metodami w łańcuchu:

my_df \
  .groupby('group') \
  .agg({'value': ['count']}) \
  .pipe(flatten_index) \
  .sort_values('value_count')

Kolejna prosta rutyna.

def flatten_columns(df, sep='.'):
    def _remove_empty(column_name):
        return tuple(element for element in column_name if element)
    def _join(column_name):
        return sep.join(column_name)

    new_columns = [_join(_remove_empty(column)) for column in df.columns.values]
    df.columns = new_columns