Python 2.7 基于整数和索引标签的混合为多索引数据帧赋值

我有一个带有多索引列的数据帧。我希望根据列名在第一级进行选择，然后返回除最后一列之外的所有列，并为所有这些元素指定一个新值

下面是一个示例数据帧：

In [1]: mydf = pd.DataFrame(np.random.random_integers(low=1,high=5,size=(4,9)), 
                   columns = pd.MultiIndex.from_product([['A', 'B', 'C'], ['a', 'b', 'c']]))


Out[1]:
    A           B           C
    a   b   c   a   b   c   a   b   c
0   4   1   2   1   4   2   1   1   3
1   4   4   1   2   3   4   2   2   3
2   2   3   4   1   2   1   3   2   3
3   1   3   4   2   3   4   1   5   1

例如，如果希望能够分配给此元素：

In [2]: mydf.loc[:,('A')].iloc[:,:-1]

Out[2]:
    A    
    a   b 
0   4   1 
1   4   4   
2   2   3   
3   1   3 

如果我只想修改一列，我知道如何使用元组正确地选择它，以便赋值工作：

In [3]: mydf.loc[:,('A','a')] = 0

In [4]: mydf.loc[:,('A','a')]

Out[4]:

0    0
1    0
2    0
3    0
Name: (A, a), dtype: int32

所以这很有效

现在，以下内容不起作用

In [5]: mydf.loc[:,('A')].ix[:,:-1] = 6 - mydf.loc[:,('A')].ix[:,:-1]

In [6]: mydf.loc[:,('A')].iloc[:,:-1] = 6 - mydf.loc[:,('A')].iloc[:,:-1]

有时我会，有时我不会，得到一个警告，一个值正试图在一个数据帧的切片副本上设置。但在这两种情况下，它实际上并没有赋值

我已经尝试了我所能想到的一切，我仍然不知道如何混合标签和整数索引来正确设置值。 有什么想法吗

---

版本：

• Python 2.7.9
• 熊猫0.16.1

---

这不受直接支持，因为

。loc

必须有标签，而不是位置。理论上，

.ix

可以通过多索引切片器支持这一点，但通常很难弄清楚用户的“意思”（例如，它是标签还是位置）
所以我们计算A块的索引器

np.r

将此切片转换为实际的索引器；然后我们选择元素（例如，在本例中为0）。这将输入到

.iloc

In [65]: df.iloc[:,np.r_[df.columns.get_loc('A')][0]] = 0

In [66]: df
Out[66]: 
   A        B        C      
   a  b  c  a  b  c  a  b  c
0  0  4  4  4  3  2  5  1  4
1  0  2  1  3  2  1  1  4  5
2  0  2  4  4  2  2  3  1  4
3  0  1  1  3  1  1  5  5  5

---

我试着修改你的答案，让它成为一个关于修改两列的例子，就像我问的那样（其中一列的

df.loc[：，（'A'，'A'）]

工作起来很有魅力）

df.iloc[：，np.r.[df.columns.get_loc（'A'）][：-1]]

适用于虚拟情况，但在我的实际数据帧上不适用。我研究了np.r_，它生成了一个完整的真/假数组。如何将列表中最后一个True更改为False？找到它：

mask=np.r[df.columns.get\u loc（'a'）]

将'True'的最后一次出现更改为'False

mask[np.where（mask==True）[0][1:]=False

为这些

df.iloc[：，mask]赋值=0

@Jeff这是在同一命令中混合位置和标签切片的唯一方法吗？你想按位置切片行，按标签切片列？是的，这是唯一的方法——混合像ix这样的东西只会导致confusion@Jeff，一种更惯用的方法是（在选择而不是赋值时），

df.loc[：，'label'].iloc[4:，：]

？也就是说，按标签指定列，然后按索引指定行？

In [65]: df.iloc[:,np.r_[df.columns.get_loc('A')][0]] = 0

In [66]: df
Out[66]: 
   A        B        C      
   a  b  c  a  b  c  a  b  c
0  0  4  4  4  3  2  5  1  4
1  0  2  1  3  2  1  1  4  5
2  0  2  4  4  2  2  3  1  4
3  0  1  1  3  1  1  5  5  5