Pandy: upuścić poziom z wielopoziomowego indeksu kolumny?

242

Jeśli mam indeks kolumn wielopoziomowych:

>>> cols = pd.MultiIndex.from_tuples([("a", "b"), ("a", "c")])
>>> pd.DataFrame([[1,2], [3,4]], columns=cols)

    za
   --- + -
    b | do
- + --- + -
0 | 1 | 2)
1 | 3 | 4

Jak mogę upuścić poziom „a” tego indeksu, aby uzyskać:

    b | do
- + --- + -
0 | 1 | 2)
1 | 3 | 4

python pandas

— David Wolever
źródło

3

Byłoby miło mieć metodę DataFrame, która robi to zarówno dla indeksu, jak i kolumn. Opuszczanie lub wybieranie poziomów indeksu.

— Sören

@ Sören Sprawdź stackoverflow.com/a/56080234/3198568 . droplevelprace mogą działać na indeksach wielopoziomowych lub kolumnach poprzez parametr axis.

— Irene

306

Możesz użyć MultiIndex.droplevel:

>>> cols = pd.MultiIndex.from_tuples([("a", "b"), ("a", "c")])
>>> df = pd.DataFrame([[1,2], [3,4]], columns=cols)
>>> df
   a   
   b  c
0  1  2
1  3  4

[2 rows x 2 columns]
>>> df.columns = df.columns.droplevel()
>>> df
   b  c
0  1  2
1  3  4

[2 rows x 2 columns]

— DSM
źródło

55

Prawdopodobnie najlepiej jest wyraźnie powiedzieć, który poziom jest opuszczany. Poziomy są indeksowane od 0, zaczynając od góry. >>> df.columns = df.columns.droplevel(0)

— Ted Petrou,

6

Jeśli indeks, który próbujesz usunąć, znajduje się po lewej (wiersz) stronie, a nie po stronie górnej (kolumny), możesz zmienić „kolumny” na „indeks” i użyć tej samej metody:>>> df.index = df.index.droplevel(1)

— Idodo

7

W wersji Panda 0.23.4 df.columns.droplevel()nie jest już dostępny.

— yoonghm,

8

@yoonghm Jest tam, prawdopodobnie po prostu nazywasz to kolumnami, które nie mają wielu indeksów

— Matt Harrison

1

Miałem trzy poziomy głębokości i chciałem zejść tylko na środkowy poziom. Odkryłem, że upuszczanie najniższego (poziom [2]), a następnie najwyższego (poziom [0]) działało najlepiej. >>>df.columns = df.columns.droplevel(2) >>>df.columns = df.columns.droplevel(0)

— Kyle C

65

Innym sposobem na usunięcie indeksu jest użycie zrozumienia listy:

df.columns = [col[1] for col in df.columns]

   b  c
0  1  2
1  3  4

Ta strategia jest również przydatna, jeśli chcesz połączyć nazwy z obu poziomów, jak w poniższym przykładzie, w którym dolny poziom zawiera dwa „y”:

cols = pd.MultiIndex.from_tuples([("A", "x"), ("A", "y"), ("B", "y")])
df = pd.DataFrame([[1,2, 8 ], [3,4, 9]], columns=cols)

   A     B
   x  y  y
0  1  2  8
1  3  4  9

Upuszczenie najwyższego poziomu spowoduje pozostawienie dwóch kolumn z indeksem „y”. Można tego uniknąć, łącząc nazwy ze zrozumieniem listy.

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

    A_x A_y B_y
0   1   2   8
1   3   4   9

To był problem, który miałem po zrobieniu grupy i zajęło mi trochę czasu znalezienie innego pytania, które go rozwiązało. Dostosowałem to rozwiązanie do konkretnego przypadku.

— Mennica
źródło

2

[col[1] for col in df.columns]jest bardziej bezpośredni df.columns.get_level_values(1).

— Eric O Lebigot,

2

Miał podobną potrzebę, w której niektóre kolumny miały puste wartości poziomu. Zastosowano następujące:[col[0] if col[1] == '' else col[1] for col in df.columns]

— Logan

43

Innym sposobem na to jest ponowne przypisanie dfna podstawie przekroju dfprzy użyciu metody .xs .

>>> df

    a
    b   c
0   1   2
1   3   4

>>> df = df.xs('a', axis=1, drop_level=True)

    # 'a' : key on which to get cross section
    # axis=1 : get cross section of column
    # drop_level=True : returns cross section without the multilevel index

>>> df

    b   c
0   1   2
1   3   4

— spacetyper
źródło

1

Działa to tylko wtedy, gdy istnieje jedna etykieta dla całego poziomu kolumny.

— Ted Petrou,

1

Nie działa, gdy chcesz upuścić drugi poziom.

— Sören,

To dobre rozwiązanie, jeśli chcesz kroić i upuszczać na tym samym poziomie. Jeśli chcesz pokroić na drugi poziom (powiedzmy b), a następnie upuść ten poziom i pozostać z pierwszym poziomem ( a), następujące działania będą działać:df = df.xs('b', axis=1, level=1, drop_level=True)

— Tiffany G. Wilson

27

Począwszy od Pandas 0.24.0 , możemy teraz używać DataFrame.droplevel () :

cols = pd.MultiIndex.from_tuples([("a", "b"), ("a", "c")])
df = pd.DataFrame([[1,2], [3,4]], columns=cols)

df.droplevel(0, axis=1) 

#   b  c
#0  1  2
#1  3  4

Jest to bardzo przydatne, jeśli chcesz zachować ciągłość łańcucha metod DataFrame.

— jxc
źródło

Jest to „najczystsze” rozwiązanie, ponieważ zwracana jest nowa ramka danych zamiast modyfikować ją „na miejscu”.

— EliadL

16

Możesz to również osiągnąć, zmieniając nazwy kolumn:

df.columns = ['a', 'b']

Wymaga to ręcznego kroku, ale może być opcją, szczególnie jeśli ostatecznie zmienisz nazwę swojej ramki danych.

— sedeh
źródło

Zasadniczo taka jest pierwsza odpowiedź Mint. Teraz nie ma również potrzeby określania listy nazwisk (co jest na ogół uciążliwe), ponieważ jest ona nadawana przez użytkownika df.columns.get_level_values(1).

— Eric O Lebigot,

13

Mała sztuczka sum z użyciem poziomu = 1 (działa, gdy poziom = 1 jest unikalny)

df.sum(level=1,axis=1)
Out[202]: 
   b  c
0  1  2
1  3  4

Bardziej powszechne rozwiązanie get_level_values

df.columns=df.columns.get_level_values(1)
df
Out[206]: 
   b  c
0  1  2
1  3  4

— YOBEN_S
źródło

4

Walczyłem z tym problemem, ponieważ nie wiem, dlaczego moja funkcja droplevel () nie działa. Przeanalizuj kilka i dowiedz się, że „a” w tabeli to nazwa kolumn, a „b”, „c” to indeks. Zrób tak, to pomoże

df.columns.name = None
df.reset_index() #make index become label

— dhFrank
źródło

1

To wcale nie odtwarza pożądanej mocy wyjściowej.

— Eric O Lebigot,

W zależności od daty opublikowania poziom upuszczenia mógł nie zostać uwzględniony w twojej wersji Pandas (został dodany do stabilnej wersji, 24.0, w styczniu 2019 r.)

— LinkBerest