Indexing 熊猫数据帧：在执行涉及两个数据帧的算术运算时，如何在多个索引级别上进行匹配

我有一个数据框架，主索引上有三个级别：

from pandas import *
df_multi = DataFrame(np.random.rand(6,2), index = [['CF', 'CF', 'CF', 'DA', 'DA','DA'], ['x', 'y', 'y', 'x', 'y', 'y'], ['a', 'b', 'a', 'a', 'a', 'b']], columns = ['PC1', 'PC2'])
df_multi.index.names =['l1','l2','l3']

In [5]: df_multi
Out[5]: 
       PC1       PC2
l1 l2 l3                    
CF x  a   0.118061  0.473159
   y  b   0.159534  0.407676
      a   0.466731  0.163322
DA x  a   0.152799  0.333438
   y  a   0.632725  0.965348
      b   0.737112  0.834592

现在我想在第三层求和，然后将每个元素除以其相应的和，以得到第三层的份额（例如，将

（CF，x，a）

除以

（CF，x，a）

和

（CF，y，a）

除以

（CF，y，a）+（CF，y，b）

，等等）

及

然而，这不起作用。我正在寻找一个通用的解决方案，不局限于百分比份额的计算，它使我能够在多个层次上进行算术匹配。当只使用一个级别时，它确实有效，例如

df_multi = DataFrame(np.random.rand(4,2), index = [['CF', 'CF', 'DA', 'DA'], ['1', '2', '1', '2']], columns = ['PC1', 'PC2'])

df_single = DataFrame(np.random.rand(3,3), index = ['1', '2', '3'], columns = ['PC1', 'PC2', 'PC3'])

df_combined = df_multi.mul(df_single, level = 1)

---

这听起来像是

transform

的工作

df_multi.groupby(level=[0,1]).transform(lambda x: x/x.sum())

有关文件：

---

谢谢你，艾伦。我进一步研究了.apply和.transform。然而，这似乎允许在组级别执行功能。这是针对我的特殊情况的解决方案。然而，我很高兴找到一个更通用的解决方案，允许我添加dataframe1和dataframe2，在这里我不仅匹配一个级别的多索引，而且匹配多个级别的索引。例如，dataframe1有3个级别，dataframe2有两个级别，我想添加两个dataframe2，将dataframe2的两个级别与dataframe1的第二和第三个级别匹配，并沿dataframe1的第一个级别进行广播。

df_multi = DataFrame(np.random.rand(4,2), index = [['CF', 'CF', 'DA', 'DA'], ['1', '2', '1', '2']], columns = ['PC1', 'PC2'])

df_single = DataFrame(np.random.rand(3,3), index = ['1', '2', '3'], columns = ['PC1', 'PC2', 'PC3'])

df_combined = df_multi.mul(df_single, level = 1)

df_multi.groupby(level=[0,1]).transform(lambda x: x/x.sum())