Панды - Как сгладить иерархический индекс в столбцах

325

У меня есть фрейм данных с иерархическим индексом по оси 1 (столбцы) (из groupby.aggоперации):

     USAF   WBAN  year  month  day  s_PC  s_CL  s_CD  s_CNT  tempf       
                                     sum   sum   sum    sum   amax   amin
0  702730  26451  1993      1    1     1     0    12     13  30.92  24.98
1  702730  26451  1993      1    2     0     0    13     13  32.00  24.98
2  702730  26451  1993      1    3     1    10     2     13  23.00   6.98
3  702730  26451  1993      1    4     1     0    12     13  10.04   3.92
4  702730  26451  1993      1    5     3     0    10     13  19.94  10.94

Я хочу сгладить его, чтобы он выглядел следующим образом (имена не имеют решающего значения - я мог бы переименовать):

     USAF   WBAN  year  month  day  s_PC  s_CL  s_CD  s_CNT  tempf_amax  tmpf_amin   
0  702730  26451  1993      1    1     1     0    12     13  30.92          24.98
1  702730  26451  1993      1    2     0     0    13     13  32.00          24.98
2  702730  26451  1993      1    3     1    10     2     13  23.00          6.98
3  702730  26451  1993      1    4     1     0    12     13  10.04          3.92
4  702730  26451  1993      1    5     3     0    10     13  19.94          10.94

Как мне это сделать? (Я много пробовал, но безрезультатно.)

Согласно предложению, вот голова в диктовке

{('USAF', ''): {0: '702730',
  1: '702730',
  2: '702730',
  3: '702730',
  4: '702730'},
 ('WBAN', ''): {0: '26451', 1: '26451', 2: '26451', 3: '26451', 4: '26451'},
 ('day', ''): {0: 1, 1: 2, 2: 3, 3: 4, 4: 5},
 ('month', ''): {0: 1, 1: 1, 2: 1, 3: 1, 4: 1},
 ('s_CD', 'sum'): {0: 12.0, 1: 13.0, 2: 2.0, 3: 12.0, 4: 10.0},
 ('s_CL', 'sum'): {0: 0.0, 1: 0.0, 2: 10.0, 3: 0.0, 4: 0.0},
 ('s_CNT', 'sum'): {0: 13.0, 1: 13.0, 2: 13.0, 3: 13.0, 4: 13.0},
 ('s_PC', 'sum'): {0: 1.0, 1: 0.0, 2: 1.0, 3: 1.0, 4: 3.0},
 ('tempf', 'amax'): {0: 30.920000000000002,
  1: 32.0,
  2: 23.0,
  3: 10.039999999999999,
  4: 19.939999999999998},
 ('tempf', 'amin'): {0: 24.98,
  1: 24.98,
  2: 6.9799999999999969,
  3: 3.9199999999999982,
  4: 10.940000000000001},
 ('year', ''): {0: 1993, 1: 1993, 2: 1993, 3: 1993, 4: 1993}}
Росс Р
источник
5
Можете ли вы добавить вывод df[:5].to_dict()в качестве примера для других, чтобы прочитать в вашем наборе данных?
Zelazny7
Отличная идея. Сделал это выше, так как это было слишком долго для комментария.
Росс Р
На трекере проблем есть предложениеpandas реализовать специальный метод для этого.
joelostblom
2
@joelostblom, и это на самом деле было реализовано (панды 0.24.0 и выше). Я отправил ответ, но по сути теперь вы можете просто сделать dat.columns = dat.columns.to_flat_index(). Встроенная функция панд.
Onlyphantom

Ответы:

472

Я думаю, что самый простой способ сделать это - установить столбцы на верхний уровень:

df.columns = df.columns.get_level_values(0)

Примечание: если у уровня to есть имя, вы также можете получить к нему доступ, а не 0.

,

Если вы хотите объединить / joinваш MultiIndex в один индекс (при условии, что в ваших столбцах есть только строковые записи), вы можете:

df.columns = [' '.join(col).strip() for col in df.columns.values]

Примечание: мы должны stripиспользовать пробел, когда нет второго индекса.

In [11]: [' '.join(col).strip() for col in df.columns.values]
Out[11]: 
['USAF',
 'WBAN',
 'day',
 'month',
 's_CD sum',
 's_CL sum',
 's_CNT sum',
 's_PC sum',
 'tempf amax',
 'tempf amin',
 'year']
Энди Хейден
источник
14
df.reset_index (inplace = True) может быть альтернативным решением.
Тобиас
8
один небольшой комментарий ... если вы хотите использовать _ для многоуровневых столбцов объединения ... вы можете использовать это ... df.columns = ['_'. join (col) .strip () для col в df.columns. значения]
ihightower
30
Незначительные изменения, чтобы сохранить подчеркивание только для объединенных столбцов:['_'.join(col).rstrip('_') for col in df.columns.values]
Сейджи Армстронг,
Это отлично работает, если вы хотите использовать только второй столбец: df.columns = [col [1] для col в df.columns.values]
user3078500
1
Если вы хотите использовать sum s_CDвместо s_CD sum, можно сделать df.columns = ['_'.join(col).rstrip('_') for col in [c[::-1] for c in df.columns.values]].
Ирэн
82
pd.DataFrame(df.to_records()) # multiindex become columns and new index is integers only
Глеб Ярных
источник
3
Это работает, но оставляет имена столбцов, к которым трудно получить программный доступ и которые нельзя запрашивать
dmeu
1
Это не будет работать с последней версией панд. Он работает с 0,18, но не с 0,20 (последний на данный момент)
TH22
1
@dmeu для сохранения имен столбцов pd.DataFrame(df.to_records(), columns=df.index.names + list(df.columns))
Teoretic
1
Он является сохранение имен столбцов в кортежах для меня, и сохранить использование индекса I:pd.DataFrame(df_volume.to_records(), index=df_volume.index).drop('index', axis=1)
Jayen
54

Все текущие ответы в этой теме должны быть немного устаревшими. Начиная с pandasверсии 0.24.0, то .to_flat_index(), что вам нужно.

Из собственной документации панды :

MultiIndex.to_flat_index ()

Преобразуйте MultiIndex в индекс кортежей, содержащий значения уровня.

Простой пример из своей документации:

import pandas as pd
print(pd.__version__) # '0.23.4'
index = pd.MultiIndex.from_product(
        [['foo', 'bar'], ['baz', 'qux']],
        names=['a', 'b'])

print(index)
# MultiIndex(levels=[['bar', 'foo'], ['baz', 'qux']],
#           codes=[[1, 1, 0, 0], [0, 1, 0, 1]],
#           names=['a', 'b'])

Применяя to_flat_index():

index.to_flat_index()
# Index([('foo', 'baz'), ('foo', 'qux'), ('bar', 'baz'), ('bar', 'qux')], dtype='object')

Использование его для замены существующего pandasстолбца

Пример того, как вы используете его dat, это DataFrame со MultiIndexстолбцом:

dat = df.loc[:,['name','workshop_period','class_size']].groupby(['name','workshop_period']).describe()
print(dat.columns)
# MultiIndex(levels=[['class_size'], ['count', 'mean', 'std', 'min', '25%', '50%', '75%', 'max']],
#            codes=[[0, 0, 0, 0, 0, 0, 0, 0], [0, 1, 2, 3, 4, 5, 6, 7]])

dat.columns = dat.columns.to_flat_index()
print(dat.columns)
# Index([('class_size', 'count'),  ('class_size', 'mean'),
#     ('class_size', 'std'),   ('class_size', 'min'),
#     ('class_size', '25%'),   ('class_size', '50%'),
#     ('class_size', '75%'),   ('class_size', 'max')],
#  dtype='object')
onlyphantom
источник
42

Ответ Энди Хейдена, безусловно, самый простой - если вы хотите избежать дублирования меток столбцов, вам нужно немного подправить

In [34]: df
Out[34]: 
     USAF   WBAN  day  month  s_CD  s_CL  s_CNT  s_PC  tempf         year
                               sum   sum    sum   sum   amax   amin      
0  702730  26451    1      1    12     0     13     1  30.92  24.98  1993
1  702730  26451    2      1    13     0     13     0  32.00  24.98  1993
2  702730  26451    3      1     2    10     13     1  23.00   6.98  1993
3  702730  26451    4      1    12     0     13     1  10.04   3.92  1993
4  702730  26451    5      1    10     0     13     3  19.94  10.94  1993


In [35]: mi = df.columns

In [36]: mi
Out[36]: 
MultiIndex
[(USAF, ), (WBAN, ), (day, ), (month, ), (s_CD, sum), (s_CL, sum), (s_CNT, sum), (s_PC, sum), (tempf, amax), (tempf, amin), (year, )]


In [37]: mi.tolist()
Out[37]: 
[('USAF', ''),
 ('WBAN', ''),
 ('day', ''),
 ('month', ''),
 ('s_CD', 'sum'),
 ('s_CL', 'sum'),
 ('s_CNT', 'sum'),
 ('s_PC', 'sum'),
 ('tempf', 'amax'),
 ('tempf', 'amin'),
 ('year', '')]

In [38]: ind = pd.Index([e[0] + e[1] for e in mi.tolist()])

In [39]: ind
Out[39]: Index([USAF, WBAN, day, month, s_CDsum, s_CLsum, s_CNTsum, s_PCsum, tempfamax, tempfamin, year], dtype=object)

In [40]: df.columns = ind




In [46]: df
Out[46]: 
     USAF   WBAN  day  month  s_CDsum  s_CLsum  s_CNTsum  s_PCsum  tempfamax  tempfamin  \
0  702730  26451    1      1       12        0        13        1      30.92      24.98   
1  702730  26451    2      1       13        0        13        0      32.00      24.98   
2  702730  26451    3      1        2       10        13        1      23.00       6.98   
3  702730  26451    4      1       12        0        13        1      10.04       3.92   
4  702730  26451    5      1       10        0        13        3      19.94      10.94   




   year  
0  1993  
1  1993  
2  1993  
3  1993  
4  1993
Теодрос Зеллеке
источник
2
спасибо Феодрос! Это единственное правильное решение, которое обрабатывает все случаи!
CanCeylan
17
df.columns = ['_'.join(tup).rstrip('_') for tup in df.columns.values]
tvt173
источник
14

И если вы хотите сохранить какую-либо информацию об агрегации со второго уровня мультииндекса, вы можете попробовать это:

In [1]: new_cols = [''.join(t) for t in df.columns]
Out[1]:
['USAF',
 'WBAN',
 'day',
 'month',
 's_CDsum',
 's_CLsum',
 's_CNTsum',
 's_PCsum',
 'tempfamax',
 'tempfamin',
 'year']

In [2]: df.columns = new_cols
Zelazny7
источник
new_colsне определено
samthebrand
11

Самый питонический способ сделать это, чтобы использовать mapфункцию.

df.columns = df.columns.map(' '.join).str.strip()

Выход print(df.columns):

Index(['USAF', 'WBAN', 'day', 'month', 's_CD sum', 's_CL sum', 's_CNT sum',
       's_PC sum', 'tempf amax', 'tempf amin', 'year'],
      dtype='object')

Обновите с помощью Python 3.6+ с помощью строки f:

df.columns = [f'{f} {s}' if s != '' else f'{f}' 
              for f, s in df.columns]

print(df.columns)

Вывод:

Index(['USAF', 'WBAN', 'day', 'month', 's_CD sum', 's_CL sum', 's_CNT sum',
       's_PC sum', 'tempf amax', 'tempf amin', 'year'],
      dtype='object')
Скотт Бостон
источник
9

Самым простым и интуитивным решением для меня было объединить имена столбцов с помощью get_level_values . Это предотвращает дублирование имен столбцов, когда вы выполняете несколько агрегаций в одном столбце:

level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
df.columns = level_one + level_two

Если вы хотите разделитель между столбцами, вы можете сделать это. Это вернет то же самое, что и комментарий Сейджи Армстронга о принятом ответе, который включает только подчеркивания для столбцов со значениями на обоих уровнях индекса:

level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
column_separator = ['_' if x != '' else '' for x in level_two]
df.columns = level_one + column_separator + level_two

Я знаю, что это делает то же самое, что и отличный ответ Энди Хейдена выше, но я думаю, что это немного более интуитивно понятно и его легче запомнить (поэтому мне не нужно постоянно ссылаться на эту ветку), особенно для начинающих пользователей панд. ,

Этот метод также более расширяем в случае, когда у вас может быть 3 уровня столбца.

level_one = df.columns.get_level_values(0).astype(str)
level_two = df.columns.get_level_values(1).astype(str)
level_three = df.columns.get_level_values(2).astype(str)
df.columns = level_one + level_two + level_three
bodily11
источник
6

Прочитав все ответы, я придумал это:

def __my_flatten_cols(self, how="_".join, reset_index=True):
    how = (lambda iter: list(iter)[-1]) if how == "last" else how
    self.columns = [how(filter(None, map(str, levels))) for levels in self.columns.values] \
                    if isinstance(self.columns, pd.MultiIndex) else self.columns
    return self.reset_index() if reset_index else self
pd.DataFrame.my_flatten_cols = __my_flatten_cols

Использование:

Учитывая фрейм данных:

df = pd.DataFrame({"grouper": ["x","x","y","y"], "val1": [0,2,4,6], 2: [1,3,5,7]}, columns=["grouper", "val1", 2])

  grouper  val1  2
0       x     0  1
1       x     2  3
2       y     4  5
3       y     6  7
  • Одиночный метод агрегации : результирующие переменные имеют то же имя, что и источник :

    df.groupby(by="grouper").agg("min").my_flatten_cols()
    • То же, что df.groupby(by="grouper", as_index = False) или .agg(...).reset_index ()
    • ----- before -----
                 val1  2
        grouper         
      
      ------ after -----
        grouper  val1  2
      0       x     0  1
      1       y     4  5
  • Одна исходная переменная, несколько агрегатов : результирующие переменные, названные в соответствии со статистикой :

    df.groupby(by="grouper").agg({"val1": [min,max]}).my_flatten_cols("last")
    • То же самое a = df.groupby(..).agg(..); a.columns = a.columns.droplevel(0); a.reset_index().
    • ----- before -----
                  val1    
                 min max
        grouper         
      
      ------ after -----
        grouper  min  max
      0       x    0    2
      1       y    4    6
  • Несколько переменных, несколько агрегаций : результирующие переменные с именем (varname) _ (statname) :

    df.groupby(by="grouper").agg({"val1": min, 2:[sum, "size"]}).my_flatten_cols()
    # you can combine the names in other ways too, e.g. use a different delimiter:
    #df.groupby(by="grouper").agg({"val1": min, 2:[sum, "size"]}).my_flatten_cols(" ".join)
    • Работает a.columns = ["_".join(filter(None, map(str, levels))) for levels in a.columns.values]под капотом (так как эта форма agg()приводит MultiIndexк столбцам).
    • Если у вас нет my_flatten_colsпомощника, возможно, будет проще ввести решение, предложенное @Seigi :, a.columns = ["_".join(t).rstrip("_") for t in a.columns.values]которое работает аналогично в этом случае (но не работает, если у вас есть числовые метки на столбцах)
    • Для обработки числовых меток на столбцах вы можете использовать решение, предложенное @jxstanford и @Nolan Conaway ( a.columns = ["_".join(tuple(map(str, t))).rstrip("_") for t in a.columns.values]), но я не понимаю, зачем tuple()нужен вызов, и считаю, что rstrip()это необходимо только в том случае, если в некоторых столбцах есть дескриптор типа ("colname", "")( что может случиться, если вы reset_index()раньше пытались наладить .columns)
    • ----- before -----
                 val1           2     
                 min       sum    size
        grouper              
      
      ------ after -----
        grouper  val1_min  2_sum  2_size
      0       x         0      4       2
      1       y         4     12       2
  • Вы хотите назвать получившиеся переменные вручную (это не рекомендуется , так как панды 0.20.0 с не адекватной альтернативы , как 0,23 )

    df.groupby(by="grouper").agg({"val1": {"sum_of_val1": "sum", "count_of_val1": "count"},
                                       2: {"sum_of_2":    "sum", "count_of_2":    "count"}}).my_flatten_cols("last")
    • Другие предложения включают : настройку столбцов вручную res.columns = ['A_sum', 'B_sum', 'count']или создание .join()нескольких groupbyоператоров.
    • ----- before -----
                         val1                      2         
                count_of_val1 sum_of_val1 count_of_2 sum_of_2
        grouper                                              
      
      ------ after -----
        grouper  count_of_val1  sum_of_val1  count_of_2  sum_of_2
      0       x              2            2           2         4
      1       y              2           10           2        12

Случаи, обрабатываемые вспомогательной функцией

  • Имена уровней могут быть нестроковыми , например, индексные панды DataFrame по номерам столбцов, когда имена столбцов являются целыми числами , поэтому мы должны преобразовать с помощьюmap(str, ..)
  • они также могут быть пустыми, поэтому мы должны filter(None, ..)
  • для одноуровневых столбцов (т. е. всего, кроме MultiIndex) columns.valuesвозвращает имена (а strне кортежи)
  • в зависимости от того, как вы использовали, .agg()вам может понадобиться сохранить самый нижний ярлык для столбца или объединить несколько ярлыков
  • (так как я новичок в пандах?) чаще всего я хочу reset_index()иметь возможность работать со столбцами группировки обычным способом, поэтому он делает это по умолчанию
Nickolay
источник
действительно хороший ответ, не могли бы вы объяснить, как работает '[" " .join (tuple (map (str, t))). rstrip (" ") для t в a.columns.values]', заранее спасибо
Vineet
@Vineet Я обновил свой пост, чтобы указать, что упомянул этот фрагмент, чтобы предположить, что он имеет эффект, аналогичный моему решению. Если вам нужны подробности о том, зачем tuple()это нужно, вы можете прокомментировать сообщение jxstanford. В противном случае, это может быть полезно для осмотра .columns.valuesв указанном примере: [('val1', 'min'), (2, 'sum'), (2, 'size')]. 1) for t in a.columns.valuesзацикливается на столбцах, для второго столбца t == (2, 'sum'); 2) map(str, t)применяется str()к каждому «уровню», в результате чего ('2', 'sum'); 3) "_".join(('2','sum'))результаты в "2_суме",
Николай
5

Общее решение, которое обрабатывает несколько уровней и смешанных типов:

df.columns = ['_'.join(tuple(map(str, t))) for t in df.columns.values]
jxstanford
источник
1
Если есть также неиерархические столбцы:df.columns = ['_'.join(tuple(map(str, t))).rstrip('_') for t in df.columns.values]
Nolan
Спасибо. Искал долго. Так как мой многоуровневый индекс содержал целочисленные значения. Это решило мою проблему :)
AnksG
4

Возможно, немного поздно, но если вы не беспокоитесь о повторяющихся именах столбцов:

df.columns = df.columns.tolist()
Нильс
источник
Для меня это меняет имена столбцов на кортежи: (year, )и(tempf, amax)
Николай
3

Если вы хотите иметь разделитель в имени между уровнями, эта функция работает хорошо.

def flattenHierarchicalCol(col,sep = '_'):
    if not type(col) is tuple:
        return col
    else:
        new_col = ''
        for leveli,level in enumerate(col):
            if not level == '':
                if not leveli == 0:
                    new_col += sep
                new_col += level
        return new_col

df.columns = df.columns.map(flattenHierarchicalCol)
agartland
источник
1
Мне это нравится. Если исключить случай, когда столбцы не являются иерархическими, это можно значительно упростить:df.columns = ["_".join(filter(None, c)) for c in df.columns]
Gigo
3

После @jxstanford и @ tvt173 я написал быструю функцию, которая должна делать свое дело, независимо от имен столбцов string / int:

def flatten_cols(df):
    df.columns = [
        '_'.join(tuple(map(str, t))).rstrip('_') 
        for t in df.columns.values
        ]
    return df
Нолан Конавей
источник
1

Вы также можете сделать, как показано ниже. Считайте, dfчто ваш фрейм данных, и предположите двухуровневый индекс (как в вашем примере)

df.columns = [(df.columns[i][0])+'_'+(datadf_pos4.columns[i][1]) for i in range(len(df.columns))]
святая корова
источник
1

Я поделюсь прямым путем, который работал для меня.

[" ".join([str(elem) for elem in tup]) for tup in df.columns.tolist()]
#df = df.reset_index() if needed
Лин Браво
источник
0

Чтобы сгладить MultiIndex внутри цепочки других методов DataFrame, определите функцию следующим образом:

def flatten_index(df):
  df_copy = df.copy()
  df_copy.columns = ['_'.join(col).rstrip('_') for col in df_copy.columns.values]
  return df_copy.reset_index()

Затем используйте pipeметод, чтобы применить эту функцию в цепочке методов DataFrame, после groupbyи aggперед любыми другими методами в цепочке:

my_df \
  .groupby('group') \
  .agg({'value': ['count']}) \
  .pipe(flatten_index) \
  .sort_values('value_count')
ianmcook
источник
0

Еще одна простая рутина.

def flatten_columns(df, sep='.'):
    def _remove_empty(column_name):
        return tuple(element for element in column_name if element)
    def _join(column_name):
        return sep.join(column_name)

    new_columns = [_join(_remove_empty(column)) for column in df.columns.values]
    df.columns = new_columns
Ufos
источник