Python 如何使用Pandas index.insert？

我有一张像这样的桌子

               Class1   Class2
Boy    Tall     5         3
       Short    2         4
Girl   Tall     3         3
       Short    3         4

为此，我想添加一行，如下所示。（不使用透视表“边距”）

我认为这样做的一种方法是在当前第一个索引（男孩和女孩）之前插入一个虚拟索引（Students），并执行一个groupby（level=0）来计算列总数，然后在使用原始数据帧连接新的子行之前删除虚拟索引

                         Class1   Class2
Students  Boy    Tall     5         3
                 Short    2         4
          Girl   Tall     3         3
                 Short    3         4
          Total           13        14

我要写的代码是这样的，但它会导致index.insert语句出现“unhabable type”错误。另一件我需要帮助的事情是删除虚拟索引的方法。我在文档中没有看到类似index.remove的内容

df2 = df
df2.index.insert(0,'Students')   ##  Apparently 'Students' results in 'unhashable type' error
df2 = df2.groupby(level = 0, sort = False).sum()
df2.index.remove(0)            ## This is what I made up...Couldn't find how to remove a particular index from multiindex
pd.concat(df, df2)

文档说明如下，但我找不到一个可接受的“项目”的好例子

---

您可以使用

margins=True

，只需将除最后一列之外的所有列进行子集，如下所示：

pd.pivot_table(data, index = ['gender','height'], 
                   columns = ['class'], margins=True).iloc[:,:-1]

---

为什么不使用

margins=True

？我的部分要求是不显示行总数。似乎无法使用pivot_表边距仅选择两种方法中的一种（即行或列合计）。能否在pivot之前发布数据帧，以便我们可以重新创建数据帧？

.ix

方法自pandas 0.20.0以来已被弃用。改用

df.loc[（'Total'，''）：]=df.sum（）

。

pandas.Index.insert

Index.insert(loc, item)
  Make new Index inserting new item at location. Follows Python list.append semantics for negative values

pd.pivot_table(data, index = ['gender','height'], 
                   columns = ['class'], margins=True).iloc[:,:-1]

df = pd.DataFrame({'gender': ['Boy', 'Boy', 'Girl', 'Girl'], 
                   'height': ['Tall', 'Short'] * 2, 
                   'Class1': [5, 2, 3, 3], 
                   'Class2': [3, 4, 3, 4]}).set_index(['gender', 'height'])

df.ix[('Total', ''), :] = df.sum()

>>> df
               Class1  Class2
gender height                
Boy    Tall       5.0     3.0
       Short      2.0     4.0
Girl   Tall       3.0     3.0
       Short      3.0     4.0
Total            13.0    14.0