Python 使用agg（）函数创建数据透视帧

假设我有一个数据透视框的形式

           Value             Qty            Code           
Color       Blue Green  Red Blue Green  Red Blue Green  Red
Date                                                       
2017-07-01   0.0   1.1  0.0  0.0  12.0  0.0    0   abc    0
2017-07-03   2.3   1.3  0.0  3.0   1.0  0.0  cde   abc    0
2017-07-06   0.0   0.0  1.4  0.0   0.0  1.0    0     0  cde

我对将日期重新采样为每周频率感兴趣。我想对主列的每个子列执行以下转换，Value:max，Qty:sum，Code=last。在正常的非多索引数据帧df中，可以通过agg（）函数执行以下操作

df.resample('W').agg({"Value":"max", "Qty":"sum", "Code":"last"})

但是当我尝试使用数据透视框时，它不喜欢键。在多索引数据帧的情况下，如果不显式指定所有子列，我将如何执行此操作

预期产量为

           Value             Qty             Code           
Color       Blue Green  Red Blue Green  Red  Blue Green  Red
Date                                       
2017-07-02   0.0   1.1  0.0  0.0  12.0  0.0     0   abc    0
2017-07-09   2.3   1.3  1.4  3.0   1.0  1.0     0     0  cde

要生成上述起始数据帧，请使用以下代码

from collections import OrderedDict
import pandas as pd

table = OrderedDict((
    ("Date", ["2017-07-01", "2017-07-03", "2017-07-03", "2017-07-6"]),
    ('Color',['Green', 'Blue', 'Green', 'Red']),
    ('Value',  [1.1, 2.3, 1.3, 1.4]),
    ('Qty', [12, 3, 1, 1]),
    ('Code',   ['abc', 'cde', 'abc', 'cde'])
))
d = pd.DataFrame(table)
p = d.pivot(index='Date', columns='Color')
p.index = pd.to_datetime(p.index)
p.fillna(0, inplace=True)

编辑：添加所需的结果

编辑2：我还尝试创建一个字典来输入agg（）函数，但是它有4个级别的列标题

dc = dict(zip(p.columns, map({'Value': 'max', 'Qty': 'sum', 'Code': 'last'}.get, [x[0] for x in p.columns])))

newp = p.resample('W').agg(dc)

---

我相信您需要

stack（）

来避免

多索引。在
groupby
或
resample
对象的
agg
方法中似乎没有指定
level=0
的方法，因此这是我唯一能找到它的方法（如果不准确，请告诉我）：

堆栈将沿轴0将颜色带到
索引
，重置索引以将
多索引
转换为
日期时间索引
，其余部分非常简单

编辑

这行吗

dic = {'Value': 'max', 'Qty': 'sum', 'Code': 'last'}
df = pd.DataFrame()
for i in p.columns.get_level_values(0).unique():
    temp = p.xs(i, axis=1, level=0, drop_level=False).resample('W').agg(dic[i])
    df = pd.concat([df, temp], axis=1)
df.columns=p.columns

df
           Value             Qty            Code           
Color       Blue Green  Red Blue Green  Red Blue Green  Red
Date                                                       
2017-07-02   0.0   1.1  0.0  0.0  12.0  0.0    0   abc    0
2017-07-09   2.3   1.3  1.4  3.0   1.0  1.0    0     0  cde

我不知道这种方法如何“防故障”，所以请小心。设置
df.columns=p.columns
似乎很粗略，但保持多索引一直是主要的挑战。如果我在
pd.concat（）
中设置
levels=p.columns.levels
（这似乎更安全），它会将索引展平为元组，元组也可以解压为多索引。我已经用几种不同的方法对此进行了测试，结果似乎不错。
首先考虑将分层列组合起来，并按不同的列类型（值、数量和代码）运行每周聚合

要保留原始分层列，请在展平列级别之前保存列对象，然后在重采样过程后重新指定回列：

pvtcolumns = p.columns

# ...same code as above

out.columns = pvtcolumns
print(df)

#             Value           Qty             Code           
# Color       Blue Green  Red Blue Green  Red Blue Green  Red
# Date                                                       
# 2017-07-02   0.0   1.1  0.0  0.0  12.0  0.0    0   abc    0
# 2017-07-09   2.3   1.3  1.4  3.0   1.0  1.0    0     0  cde

您的预期输出是什么？谢谢您的尝试。我希望保留相同的列结构，但将索引重新采样到每周一次。本质上，p.resample（'W'）.max（）为值列提供了正确答案。p、 重采样（'W'）。sum（）为Qty列提供了正确答案。代码列的p.resample（'W'）.last（）。我想我可以单独做所有这些，并将正确的列合并到一起，但我希望有一个更通用的方法。另一个选择是将列多重索引展平，并以这种方式执行计算。我试过几种不同的方法，但看起来并不干净。你介意分享一下你是如何展平多索引列的吗？我不熟悉多索引数据帧，我一直在寻找有趣的技术。：-）当然，请尝试以下操作-
df.columns=[''.join（col.strip（），用于df.columns.values中的col]
。感谢安迪·海登的回答。我给出的示例起始数据帧（p）代表了我在多次操作后所得到的结果，例如cumsum，跨越x轴的代数操作。我看不出我怎么能轻易地解开它。是否可以从上面的p开始连接到上面的解决方案？
# COMBINE THE LIST OF MULTI-LEVEL COLUMN (LIST OF TUPLES)
p.columns = [i[0]+i[1] for i in p.columns]
p.columns = p.columns.get_level_values(0)

# HORIZONTAL MERGE
out = pd.concat([p.resample('W').max()[[c for c in p.columns if 'Value' in c]],
                 p.resample('W').sum()[[c for c in p.columns if 'Qty' in c]],
                 p.resample('W').last()[[c for c in p.columns if 'Code' in c]]], axis=1)
print(out)
#             ValueBlue  ValueGreen  ValueRed  QtyBlue  QtyGreen  QtyRed  CodeBlue CodeGreen CodeRed
# Date                                                                                              
# 2017-07-02        0.0         1.1       0.0      0.0      12.0     0.0         0       abc       0
# 2017-07-09        2.3         1.3       1.4      3.0       1.0     1.0         0         0     cde

pvtcolumns = p.columns

# ...same code as above

out.columns = pvtcolumns
print(df)

#             Value           Qty             Code           
# Color       Blue Green  Red Blue Green  Red Blue Green  Red
# Date                                                       
# 2017-07-02   0.0   1.1  0.0  0.0  12.0  0.0    0   abc    0
# 2017-07-09   2.3   1.3  1.4  3.0   1.0  1.0    0     0  cde