Python 如何在列的多索引中进行数学运算？

我想在multindex列上执行一个简单的数学运算。 以下面代码中举例的多重索引为例。在第一次迭代中， 以下变量的值应如下所示

par_1=4
par_2=6
par_3=8

根据方程

（par_2+par_3+6）/par_1

计算的

BB

应等于

5

。但是，在下面的代码中，它等于

nan

在计算之后，我想将答案扩展到现有的

df

请问解决这个问题的正确方法是什么

columns = pd.MultiIndex.from_product([['all_cal'], ['a0_b0', 'a0_b1','a0_b3','a1_b0', 'a1_b1','a1_b3']],
                                     names=['subject', 'type'])
data=np.array([[4,6,8,4,5,6]])
df = pd.DataFrame(data, columns=columns)

for idx in [0,1]:
    par_1=df.iloc[0, df.columns.get_level_values(1)==f'a{str(idx)}_b0']
    par_2=df.iloc[0, df.columns.get_level_values(1)==f'a{str(idx)}_b1']
    par_3=df.iloc[0, df.columns.get_level_values(1)==f'a{str(idx)}_b3']
    BB=(par_2+par_3+6) / par_1
    df.loc [0, ('all_cal', f'{str(idx)}_new_info')] = (par_2+par_3+6) / par_1
    df.loc [0, ('all_cal', f'{str(idx)}_new_other')] = (par_2*2) / par_1

---

使用索引和列名尝试

loc

，尤其是您必须使用两个列级别进行访问：

将numpy导入为np
作为pd进口熊猫
columns=pd.多索引，从[U乘积（[[all_cal']、['a0_b0'、'a0_b1'、'a0_b3'、'a1_b0'、'a1_b1'、'a1_b3']]，
名称=[“主题”，“类型”]）
data=np.数组（[[4,6,8,4,5,6]]
df=pd.DataFrame（数据，列=列）
idx=0
par_1=df.loc[idx，（'all_cal'，'a0_b0'）]
par_2=df.loc[idx，（'all_cal'，'a0_b1'）]
par_3=df.loc[idx，（'all_cal'，'a0_b3'）]
BB=（第2杆+第3杆+第6杆）/第1杆
打印（f“BB={BB}”）
df.loc[idx，（“所有校准”，“新信息”）]=（第2部分+第3部分+第6部分）/第1部分
df.loc[idx，（“所有校准”，“新的其他”）]=（第2*2部分）/第1部分

更详细的信息

PS:f字符串支持数值，因此可以避免使用

str（idx）

，例如：

print（f“f-strings支持这样的数字：{idx}”）

---

是有效字符串。

请使用索引和列名称尝试使用

loc

，尤其是您必须使用两个列级别进行访问：

将numpy导入为np
作为pd进口熊猫
columns=pd.多索引，从[U乘积（[[all_cal']、['a0_b0'、'a0_b1'、'a0_b3'、'a1_b0'、'a1_b1'、'a1_b3']]，
名称=[“主题”，“类型”]）
data=np.数组（[[4,6,8,4,5,6]]
df=pd.DataFrame（数据，列=列）
idx=0
par_1=df.loc[idx，（'all_cal'，'a0_b0'）]
par_2=df.loc[idx，（'all_cal'，'a0_b1'）]
par_3=df.loc[idx，（'all_cal'，'a0_b3'）]
BB=（第2杆+第3杆+第6杆）/第1杆
打印（f“BB={BB}”）
df.loc[idx，（“所有校准”，“新信息”）]=（第2部分+第3部分+第6部分）/第1部分
df.loc[idx，（“所有校准”，“新的其他”）]=（第2*2部分）/第1部分

更详细的信息

PS:f字符串支持数值，因此可以避免使用

str（idx）

，例如：

print（f“f-strings支持这样的数字：{idx}”）

---

是有效字符串。

作为替代，您可以以不同方式设置多索引：

columns = pd.MultiIndex.from_product([['a0', 'a1'], ['b0', 'b1','b3']],
                                     names=['subject', 'type'])
data=np.array([[4,6,8,4,5,6]])
df = pd.DataFrame(data, columns=columns)
print(df)

subject a0       a1      
type    b0 b1 b3 b0 b1 b3
0        4  6  8  4  5  6

然后，您可以堆叠

主题

级别来进行计算：

df = df.stack('subject')
df['new_info'] = (df['b1'] + df['b3'] + 6 ) / df['b0']
df['new_other'] = (2 * df['b1']**2) / df['b0']
print(df)
type       b0  b1  b3  new_info  new_other
  subject                                 
0 a0        4   6   8      5.00       18.0
  a1        4   5   6      4.25       12.5

…然后

取消堆叠

它们（并重新排序），如果您希望它再次“宽”：

---

或者，您可以以不同的方式设置多重索引：

columns = pd.MultiIndex.from_product([['a0', 'a1'], ['b0', 'b1','b3']],
                                     names=['subject', 'type'])
data=np.array([[4,6,8,4,5,6]])
df = pd.DataFrame(data, columns=columns)
print(df)

subject a0       a1      
type    b0 b1 b3 b0 b1 b3
0        4  6  8  4  5  6

然后，您可以堆叠

主题

级别来进行计算：

df = df.stack('subject')
df['new_info'] = (df['b1'] + df['b3'] + 6 ) / df['b0']
df['new_other'] = (2 * df['b1']**2) / df['b0']
print(df)
type       b0  b1  b3  new_info  new_other
  subject                                 
0 a0        4   6   8      5.00       18.0
  a1        4   5   6      4.25       12.5

…然后

取消堆叠

它们（并重新排序），如果您希望它再次“宽”：