Python 索引上的布尔索引（而不是数据帧）

当我有一个

pandas.DataFrame

df

列

[“a”、“B”、“C”、“D”]

时，我可以使用类似

df[df[“B”]==2]的结构对其进行过滤

如果
B
是a
多索引中的一个级别的名称，我如何做
df[df[“B”]==2]
，（例如，通过
df.groupby（[“a”，“B”]）.mean（）或
df.setindex（[“a”，“B”]）
）获得的方法有两种，这两条路看起来都像是一条弯路——这让我觉得一定有一条更好的路我忽略了


将多索引转换为列：
df[df.reset_index（）[“B”]==2]
将我要使用的名称交换到多索引的开头，然后使用按索引查找：
df.swaplevel（0，“B”）.ix[2]
我看到了两种方法，这两种方法看起来都像是绕道而行——这让我觉得一定有一种更好的方法，我忽略了


将多索引转换为列：
df[df.reset_index（）[“B”]==2]
将我要使用的名称交换到多索引的开头，然后使用按索引查找：
df.swaplevel（0，“B”）.ix[2]
我认为您希望按索引级别进行分组（请参阅）。

下面是一个简短但不太令人兴奋的例子：

In [126]: df = DataFrame([[1,2,3,4],[2,2,np.nan,6]],columns=["A", "B", "C", "D"])

In [127]: df1 = df.set_index(['A','B'])

In [128]: df1
Out[128]: 
      C  D
A B       
1 2   3  4
2 2 NaN  6

In [129]: df1.groupby(level='B', axis=0).mean()
Out[129]: 
   C  D
B      
2  3  5

我认为您希望按索引级别进行分组（请参阅）。

下面是一个简短但不太令人兴奋的例子：

In [126]: df = DataFrame([[1,2,3,4],[2,2,np.nan,6]],columns=["A", "B", "C", "D"])

In [127]: df1 = df.set_index(['A','B'])

In [128]: df1
Out[128]: 
      C  D
A B       
1 2   3  4
2 2 NaN  6

In [129]: df1.groupby(level='B', axis=0).mean()
Out[129]: 
   C  D
B      
2  3  5

我建议：

df.xs（2，level='B'）

或

df[df.index.get_level_值（'B'）==val]

我想使后一个操作的语法更精确一些。
我建议：

df.xs（2，level='B'）

或

df[df.index.get_level_值（'B'）==val]

我想使后一个操作的语法稍微好一点