Python 将级别前置到索引

我有一个数据框，在分组后创建了一个多索引：

import numpy as np
import pandas as p
from numpy.random import randn

df = p.DataFrame({
    'A' : ['a1', 'a1', 'a2', 'a3']
  , 'B' : ['b1', 'b2', 'b3', 'b4']
  , 'Vals' : randn(4)
}).groupby(['A', 'B']).sum()

df

Output>            Vals
Output> A  B           
Output> a1 b1 -1.632460
Output>    b2  0.596027
Output> a2 b3 -0.619130
Output> a3 b4 -0.002009

如何为多重索引预先设置一个级别，以便将其转换为以下内容：

Output>                       Vals
Output> FirstLevel A  B           
Output> Foo        a1 b1 -1.632460
Output>               b2  0.596027
Output>            a2 b3 -0.619130
Output>            a3 b4 -0.002009

---

您可以先将其添加为普通列，然后将其附加到当前索引中，以便：

df['Firstlevel'] = 'Foo'
df.set_index('Firstlevel', append=True, inplace=True)

如果需要，可通过以下方式更改顺序：

df.reorder_levels(['Firstlevel', 'A', 'B'])

其结果是：

                      Vals
Firstlevel A  B           
Foo        a1 b1  0.871563
              b2  0.494001
           a2 b3 -0.167811
           a3 b4 -1.353409

---

使用

pandas.concat（）

在一行中完成此操作的好方法：

更简短的方式：

pd.concat({'Foo': df}, names=['Firstlevel'])

---

这可以推广到许多数据帧，请参见。

我认为这是一个更通用的解决方案：

# Convert index to dataframe
old_idx = df.index.to_frame()

# Insert new level at specified location
old_idx.insert(0, 'new_level_name', new_level_values)

# Convert back to MultiIndex
df.index = pandas.MultiIndex.from_frame(old_idx)

与其他答案相比，有一些优势：

• 新关卡可以添加到任何位置，而不仅仅是顶部
• 这纯粹是对索引的操作，不需要像串联技巧那样操作数据
• 它不需要添加列作为中间步骤，这可能会破坏多级列索引

---

我用它制作了一个小函数，IMHO是最好的解决方案，因为它只在索引上工作，与任何数据帧或序列无关

我添加了一个修复方法：

to_frame（）

方法将为没有索引级别的索引级别创建新名称。因此，新索引将具有旧索引中不存在的名称。我添加了一些代码来恢复此名称更改

下面是代码，我自己已经使用了一段时间，它似乎工作得很好。如果您发现任何问题或边缘案例，我将非常有义务调整我的答案

import pandas as pd

def _handle_insert_loc(loc: int, n: int) -> int:
    """
    Computes the insert index from the right if loc is negative for a given size of n.
    """
    return n + loc + 1 if loc < 0 else loc


def add_index_level(old_index: pd.Index, value: Any, name: str = None, loc: int = 0) -> pd.MultiIndex:
    """
    Expand a (multi)index by adding a level to it.

    :param old_index: The index to expand
    :param name: The name of the new index level
    :param value: Scalar or list-like, the values of the new index level
    :param loc: Where to insert the level in the index, 0 is at the front, negative values count back from the rear end
    :return: A new multi-index with the new level added
    """
    loc = _handle_insert_loc(loc, len(old_index.names))
    old_index_df = old_index.to_frame()
    old_index_df.insert(loc, name, value)
    new_index_names = list(old_index.names)  # sometimes new index level names are invented when converting to a df,
    new_index_names.insert(loc, name)        # here the original names are reconstructed
    new_index = pd.MultiIndex.from_frame(old_index_df, names=new_index_names)
    return new_index

---

用它从头开始建造怎么样

---

与之类似，这是一种灵活的方法，可以避免修改数据帧的底层数组。

如果对具有多索引列索引的数据帧执行此操作，则会添加级别，在大多数情况下这可能并不重要，但可能会，如果您依赖元数据来做其他事情。这对于通过添加

axis=1

向列添加一个级别特别好，因为

df.columns

没有像索引那样的“set\u index”方法，这总是让我感到不舒服。这很好，因为它也适用于

pd.Series

对象，然而，目前接受的答案（2013年起）不再有效。TypeError:Unhabable type:“list”我花了一段时间才意识到，如果您在

['Foo'，Bar']

中为

FirstLevel

有多个键，那么第一个参数也需要有相应的长度，即

[df]*len（['Foo'，Bar']）

！更简洁的是：

pd.concat（{'Foo'：df}，names=['Firstlevel']）

import pandas as pd

def _handle_insert_loc(loc: int, n: int) -> int:
    """
    Computes the insert index from the right if loc is negative for a given size of n.
    """
    return n + loc + 1 if loc < 0 else loc


def add_index_level(old_index: pd.Index, value: Any, name: str = None, loc: int = 0) -> pd.MultiIndex:
    """
    Expand a (multi)index by adding a level to it.

    :param old_index: The index to expand
    :param name: The name of the new index level
    :param value: Scalar or list-like, the values of the new index level
    :param loc: Where to insert the level in the index, 0 is at the front, negative values count back from the rear end
    :return: A new multi-index with the new level added
    """
    loc = _handle_insert_loc(loc, len(old_index.names))
    old_index_df = old_index.to_frame()
    old_index_df.insert(loc, name, value)
    new_index_names = list(old_index.names)  # sometimes new index level names are invented when converting to a df,
    new_index_names.insert(loc, name)        # here the original names are reconstructed
    new_index = pd.MultiIndex.from_frame(old_index_df, names=new_index_names)
    return new_index

import unittest

import numpy as np
import pandas as pd

class TestPandaStuff(unittest.TestCase):

    def test_add_index_level(self):
        df = pd.DataFrame(data=np.random.normal(size=(6, 3)))
        i1 = add_index_level(df.index, "foo")

        # it does not invent new index names where there are missing
        self.assertEqual([None, None], i1.names)

        # the new level values are added
        self.assertTrue(np.all(i1.get_level_values(0) == "foo"))
        self.assertTrue(np.all(i1.get_level_values(1) == df.index))

        # it does not invent new index names where there are missing
        i2 = add_index_level(i1, ["x", "y"]*3, name="xy", loc=2)
        i3 = add_index_level(i2, ["a", "b", "c"]*2, name="abc", loc=-1)
        self.assertEqual([None, None, "xy", "abc"], i3.names)

        # the new level values are added
        self.assertTrue(np.all(i3.get_level_values(0) == "foo"))
        self.assertTrue(np.all(i3.get_level_values(1) == df.index))
        self.assertTrue(np.all(i3.get_level_values(2) == ["x", "y"]*3))
        self.assertTrue(np.all(i3.get_level_values(3) == ["a", "b", "c"]*2))

        # df.index = i3
        # print()
        # print(df)

df.index = p.MultiIndex.from_tuples(
    [(nl, A, B) for nl, (A, B) in
        zip(['Foo'] * len(df), df.index)],
    names=['FirstLevel', 'A', 'B'])