Python Pandas：根据多索引数据帧子集的条件设置值的正确方法

我不知道如何在没有链式作业的情况下做到这一点（这可能无论如何都不起作用，因为我要设置一个副本）

我不想获取多索引数据帧的子集，测试小于零的值并将其设置为零

例如：

df = pd.DataFrame({('A','a'): [-1,-1,0,10,12],
                   ('A','b'): [0,1,2,3,-1],
                   ('B','a'): [-20,-10,0,10,20],
                   ('B','b'): [-200,-100,0,100,200]})

df[df['A']<0] = 0.0

这表明它无法根据条件进行设置。或者，如果我做了链式作业：

df.loc[:,'A'][df['A']<0] = 0.0

但不知何故，我觉得有一个更好的方法来做这件事，而不是通过循环列。在pandas中这样做的最佳方式是什么？

这是的应用程序（也是使用多索引切片器的主要动机之一），请参阅文档

[20]中的

df=pd.DataFrame（{（'A'，'A'）：[-1，-1,0,10,12]，
（'A'，'b'）：[0,1,2,3，-1]，
（'B'，'a'）：[-20，-10,0,10,20]，
（'B'，'B'）：[-200，-100,0100200]}）
In[21]：df
出[21]：
A B
a b a b
0  -1  0 -20 -200
1  -1  1 -10 -100
2   0  2   0    0
3  10  3  10  100
4  12 -1  20  200
在[22]中：idx=pd.indexlice
在[23]：mask=df.loc[：，idx['A'，：]]啊，好的，谢谢！使用切片器创建掩码看起来非常有用（可能需要在我的更多代码中使用）。第二个例子确实解决了我的具体问题。我不知道
df['A']
和
df['A']]
df.loc[:,'A'][df['A']<0] = 0.0

for one,two in df.columns.values:
    if one == 'A':
        df.loc[df[(one,two)]<0, (one,two)] = 0.0

In [64]:

df

Out[64]:
    A   B
    a   b   a   b
0   0   0   -20 -200
1   0   1   -10 -100
2   0   2   0   0
3   10  3   10  100
4   12  0   20  200

In [20]: df = pd.DataFrame({('A','a'): [-1,-1,0,10,12],
                   ('A','b'): [0,1,2,3,-1],
                   ('B','a'): [-20,-10,0,10,20],
                   ('B','b'): [-200,-100,0,100,200]})

In [21]: df
Out[21]: 
    A      B     
    a  b   a    b
0  -1  0 -20 -200
1  -1  1 -10 -100
2   0  2   0    0
3  10  3  10  100
4  12 -1  20  200

In [22]: idx = pd.IndexSlice

In [23]: mask = df.loc[:,idx['A',:]]<0

In [24]: mask
Out[24]: 
       A       
       a      b
0   True  False
1   True  False
2  False  False
3  False  False
4  False   True

In [25]: df[mask] = 0

In [26]: df
Out[26]: 
    A      B     
    a  b   a    b
0   0  0 -20 -200
1   0  1 -10 -100
2   0  2   0    0
3  10  3  10  100
4  12  0  20  200

In [30]: df[df[['A']]<0] = 0

In [31]: df
Out[31]: 
    A      B     
    a  b   a    b
0   0  0 -20 -200
1   0  1 -10 -100
2   0  2   0    0
3  10  3  10  100
4  12  0  20  200