Python 数据帧应用或映射字典值将列分配给多索引值函数

我想（通过字典）将多索引数据帧的一部分映射到一列。有没有办法一步到位

例如，使用以下示例数据帧：

i = pd.MultiIndex.from_product([['A','B','C'], np.arange(1, 11, 1)], names=['Name','Num'])
df = pd.DataFrame(np.random.randn(30), i, columns=['Vals'])

和样本地图：

a = list('abcdefghijk')
m = {}
for i in range(0,11):
    m[i] = a[i]

我想创建一个X列，其中包含与第二个索引级别关联的字母：

df.assign(X=m[df.index.get_level_values('Num').values])

但这不起作用，而且：

df['X'] = df.index.map(lambda x: m[x[1]])

---

使用

获取第二级值

，转换为

系列

，然后调用

映射

/

替换

-

df['X'] = df.index.get_level_values(1).to_series().map(m).values

或者

或者（受OP启发），您可以在

df.index.get_level_values

上调用

map

，并传递一个可调用的（在本例中，它将是

m.get

）-

---

在这里，我必须调用

.values

，因为我希望能够将结果分配回数据帧，而无需索引对齐问题。

重命名它，然后重新分配它

df['New']=df.rename(index=m,level=1).index.get_level_values(1)
df
Out[132]: 
              Vals New
Name Num              
A    1   -0.906266   b
     2    0.321047   c
     3    0.227720   d
     4    3.040522   e
     5    0.604392   f
     6    1.394153   g
     7   -0.640342   h
     8   -0.812858   i
     9   -1.142764   j
     10   0.744968   k
B    1    0.956003   b
     2    0.064266   c
     3    0.042286   d
     4   -1.089578   e
     5    0.534922   f
     6   -0.545524   g
     7    0.102778   h
     8   -1.691460   i
     9   -1.980935   j
     10   1.226609   k
C    1    0.871654   b
     2    0.396818   c
     3    0.691537   d
     4    1.923429   e
     5    0.239363   f
     6   -0.669168   g
     7   -0.168082   h
     8    0.209918   i
     9    0.205527   j
     10   0.490754   k

下面是另一个有效的速记：

df['X'] = df.index.map(lambda x: m.get(x[1]))

在那样的lambda中使用字典并不是无效的，只是（显然）字典值的索引表示法（例如，
m[x[1]]
）查找在这种情况下不起作用。
多亏了你的回答，我才能够为我找到一个更短的变体：
df.index.get\u level\u values（1.map）（m.get）
df

              Vals  X
Name Num             
A    1    2.731237  b
     2    0.180595  c
     3   -1.428064  d
     4   -0.622806  e
     5    0.948709  f
     6   -1.383310  g
     7    0.177631  h
     8   -1.071445  i
     9   -0.183859  j
     10   1.480641  k
B    1   -1.036380  b
     2    1.031757  c
     3    0.542989  d
     4   -0.933676  e
     5   -0.540661  f
     6   -0.506969  g
     7    0.572705  h
     8   -1.363675  i
     9   -0.588765  j
     10   0.998691  k
C    1   -0.471536  b
     2   -1.361124  c
     3   -0.382200  d
     4    0.694174  e
     5    1.077779  f
     6   -0.501285  g
     7    0.961986  h
     8   -0.285009  i
     9    1.385881  j
     10   1.490152  k

df['New']=df.rename(index=m,level=1).index.get_level_values(1)
df
Out[132]: 
              Vals New
Name Num              
A    1   -0.906266   b
     2    0.321047   c
     3    0.227720   d
     4    3.040522   e
     5    0.604392   f
     6    1.394153   g
     7   -0.640342   h
     8   -0.812858   i
     9   -1.142764   j
     10   0.744968   k
B    1    0.956003   b
     2    0.064266   c
     3    0.042286   d
     4   -1.089578   e
     5    0.534922   f
     6   -0.545524   g
     7    0.102778   h
     8   -1.691460   i
     9   -1.980935   j
     10   1.226609   k
C    1    0.871654   b
     2    0.396818   c
     3    0.691537   d
     4    1.923429   e
     5    0.239363   f
     6   -0.669168   g
     7   -0.168082   h
     8    0.209918   i
     9    0.205527   j
     10   0.490754   k

df['X'] = df.index.map(lambda x: m.get(x[1]))