下面是我的數(shù)據(jù)框：df = pd.DataFrame({'A': ['a1', 'a1', 'a1', 'a1', 'a1', 'a1', 'a1', 'a1', 'a1', 'all', 'all', 'all', 'all', 'all', 'all', 'all', 'all', 'all'], 'B': ['b1', 'b1', 'b1', 'b2', 'b2', 'b2', 'all', 'all', 'all', 'b1', 'b1', 'b1', 'b2', 'b2', 'b2', 'all', 'all', 'all'], 'C': ['c1', 'c2', 'all', 'c1', 'c2', 'all', 'c1', 'c2', 'all', 'c1', 'c2', 'all', 'c1', 'c2', 'all', 'c1', 'c2', 'all'], 'D': ['D1', 'D2', 'all', 'D1', 'D2', 'all', 'D1', 'D2', 'all', 'D1', 'D2', 'all', 'D1', 'D2', 'all', 'D1', 'D2', 'all'], 'E': ['E1', 'E1', 'E1', 'E2', 'E2', 'E2', 'all', 'all', 'all', 'E1', 'E1', 'E1', 'E2', 'E2', 'E2', 'all', 'all', 'all'], 'F': [1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9]})之后pivot，以下是輸出：In [226]: df.pivot(index=['A', 'B', 'C'], columns=['E', 'D'])Out[226]: F (NO) (NO) E E1 E1 E1 E2 E2 E2 all all all D D1 D2 all D1 D2 all D1 D2 allA B C a1 all all NaN NaN NaN NaN NaN NaN NaN NaN 9.0 a1 all c1 NaN NaN NaN NaN NaN NaN 7.0 NaN NaN -> (NO)a1 all c2 NaN NaN NaN NaN NaN NaN NaN 8.0 NaN -> (NO)a1 b1 all NaN NaN 3.0 NaN NaN NaN NaN NaN NaNa1 b1 c1 1.0 NaN NaN NaN NaN NaN NaN NaN NaNa1 b1 c2 NaN 2.0 NaN NaN NaN NaN NaN NaN NaNa1 b2 all NaN NaN NaN NaN NaN 6.0 NaN NaN NaNa1 b2 c1 NaN NaN NaN 4.0 NaN NaN NaN NaN NaNa1 b2 c2 NaN NaN NaN NaN 5.0 NaN NaN NaN NaNall all all NaN NaN NaN NaN NaN NaN NaN NaN 9.0我需要刪除我指出的行和列(NO)。邏輯是：從最里面的索引開始，即，C我需要保留all以向后方式出現(xiàn)的行和列。因此，具有索引a1 all all、a1 b1 all和a1 b2 all的行將all all all被保留，因?yàn)閍ll它們以向后的方式發(fā)生。需要刪除具有索引a1 all c1、a1 all c2、all all c1、等的行，因?yàn)閺?向后開始不存在連續(xù)性。all b1 allallC同樣的邏輯也適用于列。從 開始D，需要刪除索引為 的列D1 all，D2 all剩下的就可以了。
1 回答
慕桂英4014372
TA貢獻(xiàn)1871條經(jīng)驗(yàn) 獲得超13個贊
index為并columns使用 helperDataFrame的最后一次傳遞創(chuàng)建掩碼DataFrame.loc：
df1 = df.index.to_frame()
m1 = df1.where(df1=='all').bfill(axis=1).count(axis=1).isin([0, df.index.nlevels])
df2 = df.columns.to_frame()
m2 = df2.where(df2=='all').bfill(axis=1).count(axis=1).isin([0, df.columns.nlevels])
df = df.loc[m1, m2]
print (df)? ??
? ? ? ? ? ? ? ? F? ? ? ? ? ? ? ? ? ? ? ? ? ? ??
E? ? ? ? ? ? ?E1? ? ? ? ? ? ?E2? ? ? ? ? ? all
D? ? ? ? ? ? ?D1? ?D2? all? ?D1? ?D2? all? all
A? ?B? ?C? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
a1? all all? NaN? NaN? NaN? NaN? NaN? NaN? 9.0
? ? b1? all? NaN? NaN? 3.0? NaN? NaN? NaN? NaN
? ? ? ? c1? ?1.0? NaN? NaN? NaN? NaN? NaN? NaN
? ? ? ? c2? ?NaN? 2.0? NaN? NaN? NaN? NaN? NaN
? ? b2? all? NaN? NaN? NaN? NaN? NaN? 6.0? NaN
? ? ? ? c1? ?NaN? NaN? NaN? 4.0? NaN? NaN? NaN
? ? ? ? c2? ?NaN? NaN? NaN? NaN? 5.0? NaN? NaN
all all all? NaN? NaN? NaN? NaN? NaN? NaN? 9.0
? ? b1? all? NaN? NaN? 3.0? NaN? NaN? NaN? NaN
? ? b2? all? NaN? NaN? NaN? NaN? NaN? 6.0? NaN
?
詳情：
用于：MultiIndex.to_frame_DataFrame
print (df.index.to_frame())? ??
? ? ? ? ? ? ? ?A? ? B? ? C
A? ?B? ?C? ? ? ? ? ? ? ? ?
a1? all all? ?a1? all? all
? ? ? ? c1? ? a1? all? ?c1
? ? ? ? c2? ? a1? all? ?c2
? ? b1? all? ?a1? ?b1? all
? ? ? ? c1? ? a1? ?b1? ?c1
? ? ? ? c2? ? a1? ?b1? ?c2
? ? b2? all? ?a1? ?b2? all
? ? ? ? c1? ? a1? ?b2? ?c1
? ? ? ? c2? ? a1? ?b2? ?c2
all all all? all? all? all
? ? ? ? c1? ?all? all? ?c1
? ? ? ? c2? ?all? all? ?c2
? ? b1? all? all? ?b1? all
? ? ? ? c1? ?all? ?b1? ?c1
? ? ? ? c2? ?all? ?b1? ?c2
? ? b2? all? all? ?b2? all
? ? ? ? c1? ?all? ?b2? ?c1
? ? ? ? c2? ?all? ?b2? ?c2
然后將非替換all為缺失值DataFrame.where：
print (df1.where(df1=='all'))
? ? ? ? ? ? ? ?A? ? B? ? C
A? ?B? ?C? ? ? ? ? ? ? ? ?
a1? all all? NaN? all? all
? ? ? ? c1? ?NaN? all? NaN
? ? ? ? c2? ?NaN? all? NaN
? ? b1? all? NaN? NaN? all
? ? ? ? c1? ?NaN? NaN? NaN
? ? ? ? c2? ?NaN? NaN? NaN
? ? b2? all? NaN? NaN? all
? ? ? ? c1? ?NaN? NaN? NaN
? ? ? ? c2? ?NaN? NaN? NaN
all all all? all? all? all
? ? ? ? c1? ?all? all? NaN
? ? ? ? c2? ?all? all? NaN
? ? b1? all? all? NaN? all
? ? ? ? c1? ?all? NaN? NaN
? ? ? ? c2? ?all? NaN? NaN
? ? b2? all? all? NaN? all
? ? ? ? c1? ?all? NaN? NaN
? ? ? ? c2? ?all? NaN? NaN
回填無誤，在這里all，由bfill：
print (df1.where(df1=='all').bfill(axis=1))
? ? ? ? ? ? ? ?A? ? B? ? C
A? ?B? ?C? ? ? ? ? ? ? ? ?
a1? all all? all? all? all
? ? ? ? c1? ?all? all? NaN
? ? ? ? c2? ?all? all? NaN
? ? b1? all? all? all? all
? ? ? ? c1? ?NaN? NaN? NaN
? ? ? ? c2? ?NaN? NaN? NaN
? ? b2? all? all? all? all
? ? ? ? c1? ?NaN? NaN? NaN
? ? ? ? c2? ?NaN? NaN? NaN
all all all? all? all? all
? ? ? ? c1? ?all? all? NaN
? ? ? ? c2? ?all? all? NaN
? ? b1? all? all? all? all
? ? ? ? c1? ?all? NaN? NaN
? ? ? ? c2? ?all? NaN? NaN
? ? b2? all? all? all? all
? ? ? ? c1? ?all? NaN? NaN
? ? ? ? c2? ?all? NaN? NaN
通過以下方式計算非缺失值DataFrame.count：
print (df1.where(df1=='all').bfill(axis=1).count(axis=1))
A? ? B? ? C??
a1? ?all? all? ? 3
? ? ? ? ? c1? ? ?2
? ? ? ? ? c2? ? ?2
? ? ?b1? ?all? ? 3
? ? ? ? ? c1? ? ?0
? ? ? ? ? c2? ? ?0
? ? ?b2? ?all? ? 3
? ? ? ? ? c1? ? ?0
? ? ? ? ? c2? ? ?0
all? all? all? ? 3
? ? ? ? ? c1? ? ?2
? ? ? ? ? c2? ? ?2
? ? ?b1? ?all? ? 3
? ? ? ? ? c1? ? ?1
? ? ? ? ? c2? ? ?1
? ? ?b2? ?all? ? 3
? ? ? ? ? c1? ? ?1
? ? ? ? ? c2? ? ?1
測試是否0- 這意味著回填行/列，以及是否全部NaN與級別數(shù)匹配MultiIndex.nlevels：
print (df1.where(df1=='all').bfill(axis=1).count(axis=1).isin([0, df.index.nlevels]))
?A? ? B? ? C??
a1? ?all? all? ? ?True
? ? ? ? ? c1? ? ?False
? ? ? ? ? c2? ? ?False
? ? ?b1? ?all? ? ?True
? ? ? ? ? c1? ? ? True
? ? ? ? ? c2? ? ? True
? ? ?b2? ?all? ? ?True
? ? ? ? ? c1? ? ? True
? ? ? ? ? c2? ? ? True
all? all? all? ? ?True
? ? ? ? ? c1? ? ?False
? ? ? ? ? c2? ? ?False
? ? ?b1? ?all? ? ?True
? ? ? ? ? c1? ? ?False
? ? ? ? ? c2? ? ?False
? ? ?b2? ?all? ? ?True
? ? ? ? ? c1? ? ?False
? ? ? ? ? c2? ? ?False
dtype: bool
np.triu編輯：這里是比較的子字符串，然后是僅由 s 行鏈接創(chuàng)建的輔助數(shù)組的掩碼的所有值False：
f = lambda x: x.str.contains('all')
arr1 = np.triu(np.ones((df.index.nlevels,df.index.nlevels), dtype=bool), False)
arr2 = np.triu(np.ones((df.columns.nlevels,df.columns.nlevels), dtype=bool), False)
print (arr1)
[[ True? True? True]
?[False? True? True]
?[False False? True]]
arr11 = df.index.to_frame().astype(str).apply(f).to_numpy()
arr22 = df.columns.to_frame().astype(str).apply(f).to_numpy()
#https://stackoverflow.com/a/51352806/2901002
m1 = (arr11[:, None] == arr1).all(-1).any(axis=1) | ~arr11.any(axis=1)
m2 = (arr22[:, None] == arr2).all(-1).any(axis=1) | ~arr22.any(axis=1)
df = df.loc[m1, m2]
print (df)?
? ? ? ? ? ? ? ? ? ? measure_F? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
E? ? ? ? ? ? ? ? ? ? ? ? ? E1? ? ? ? ? ? ?E2? ? ? ? ? ? ? ? ?all? E2
D? ? ? ? ? ? ? ? ? ? ? ? ? D1? ?D2? all? ?D1? ?D2 all::3::2? all all
A? ?B? ?C? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
a1? all all? ? ? ? ? ? ? ?NaN? NaN? NaN? NaN? NaN? ? ? ?NaN? 9.0 NaN
? ? b1? all? ? ? ? ? ? ? ?NaN? NaN? 3.0? NaN? NaN? ? ? ?NaN? NaN NaN
? ? ? ? c1? ? ? ? ? ? ? ? 1.0? NaN? NaN? NaN? NaN? ? ? ?NaN? NaN NaN
? ? ? ? c2? ? ? ? ? ? ? ? NaN? 2.0? NaN? NaN? NaN? ? ? ?NaN? NaN NaN
? ? b2? all? ? ? ? ? ? ? ?NaN? NaN? NaN? NaN? NaN? ? ? ?6.0? NaN NaN
? ? ? ? c1? ? ? ? ? ? ? ? NaN? NaN? NaN? 4.0? NaN? ? ? ?NaN? NaN NaN
? ? ? ? c2? ? ? ? ? ? ? ? NaN? NaN? NaN? NaN? 5.0? ? ? ?NaN? NaN NaN
all all all::5::all? ? ? ?NaN? NaN? NaN? NaN? NaN? ? ? ?NaN? 9.0 NaN
添加回答
舉報
0/150
提交
取消