Python 按所有项分组，但熊猫中的一个索引列除外

我的数据分析一再回到一个简单但不确定的主题上，即“除此之外的一切都按分组”。以多索引为例，

df

：

                      accuracy  velocity
name condition trial                    
john a         1     -1.403105  0.419850
               2     -0.879487  0.141615
     b         1      0.880945  1.951347
               2      0.103741  0.015548
hans a         1      1.425816  2.556959
               2     -0.117703  0.595807
     b         1     -1.136137  0.001417
               2      0.082444 -1.184703

例如，我现在想做的是，在保留姓名和病情信息的同时，对所有可用的试验进行平均。这很容易做到：

average = df.groupby(level=('name', 'condition')).mean()

然而，在现实世界中，多索引中存储的元数据要多得多。索引很容易跨越每行8-10列。因此，上面的模式变得相当笨拙。最终，我在寻找一个“丢弃”操作；我想执行一个抛出或减少单个索引列的操作。在上述案例中，这是审判编号

---

我应该咬紧牙关，还是有更惯用的方法？这很可能是一种反模式！我想建立一个体面的直觉，当谈到“真正的熊猫方式”。。。提前感谢。

您可以为此定义帮助函数：

def allbut(*names):
    names = set(names)
    return [item for item in levels if item not in names]

演示：

---

您也可以删除多个级别：

In [53]: df.groupby(level=allbut('name', 'trial')).mean()
Out[53]: 
           accuracy  velocity
condition                    
a         -0.597178 -0.370377
b         -0.126996 -0.037003

---

这看起来不错；我一直在使用类似的东西。你认为图案本身是正确的吗？是否有一种更“内置”的方法来实现相同的结果？有一系列不同的变体，例如

df.groupby（level=list（set（levels）-{'name'}））.mean（）

，但我认为它们基本上是一样的——特别是对于少数级别。我认为没有更“内置”的方法，因此定义助手函数是使代码看起来可读的最佳方法。

In [40]: df.groupby(level=allbut('condition')).mean()
Out[40]: 
            accuracy  velocity
trial name                    
1     hans  0.086303  0.131395
      john  0.454824 -0.259495
2     hans -0.234961 -0.626495
      john  0.614730 -0.144183

In [53]: df.groupby(level=allbut('name', 'trial')).mean()
Out[53]: 
           accuracy  velocity
condition                    
a         -0.597178 -0.370377
b         -0.126996 -0.037003