Crear un MultiIndex

Un MultiIndex (también denominado índice jerárquico) permite que un DataFrame o una Series de Pandas tenga varios niveles de etiquetas de fila. Piense en él como una clave compuesta de una base de datos: en lugar de identificar una fila con una sola etiqueta, la identifica mediante una tupla como (país, ciudad) o (año, trimestre). Los MultiIndex son esenciales para representar datos de panel, series temporales transversales y cualquier conjunto de datos con una estructura natural de agrupación en dos niveles.

pd.MultiIndex.from_tuples(list_of_tuples, names=) es la forma más explícita de crear un MultiIndex. Cada tupla se convierte en una etiqueta de fila y sus elementos se convierten en los niveles. El parámetro names asigna una etiqueta a cada nivel (por ejemplo, ['year', 'quarter']). Este método resulta útil cuando dispone de una lista predefinida de claves compuestas que desea utilizar como índice de filas.

pd.MultiIndex.from_product(iterables, names=) crea un MultiIndex a partir del producto cartesiano de varias listas: todas las combinaciones de elementos de las listas de entrada. Es el método más práctico cuando deben existir en los datos todas las combinaciones de niveles. Por ejemplo, todas las combinaciones de 3 años × 4 trimestres × 5 regiones crean automáticamente un panel equilibrado de 60 filas.

La forma más habitual de crear un MultiIndex en la práctica consiste en empezar con un DataFrame normal que tenga columnas de agrupación y llamar después a df.set_index([col1, col2]). Esto convierte esas columnas de datos en niveles del índice. El resultado es el mismo que si hubiera creado el índice desde cero con from_tuples, pero solo requiere una línea partiendo de datos tabulares.

Un MultiIndex almacena sus datos en levels (los valores únicos de cada nivel) y codes (punteros enteros a las matrices de niveles). Inspeccione los niveles con df.index.levels o df.index.get_level_values(level). Utilice df.index.nlevels para comprobar cuántos niveles existen. El atributo names muestra el nombre asignado a cada nivel; asígnelos con df.index.set_names(['level0', 'level1']).

También puede aplicar un MultiIndex a las columnas, creando una jerarquía de etiquetas de columna. Esto es habitual cuando se almacenan varias métricas para cada categoría en un diseño similar al de una tabla dinámica, por ejemplo, (ingresos, T1), (ingresos, T2), (costes, T1), (costes, T2). Acceda a las columnas con un MultiIndex del mismo modo que accede a las filas: mediante tuplas. Cree un MultiIndex de columnas con pd.MultiIndex.from_product y asígnelo a df.columns.

Cuando llama a groupby([col1, col2]).agg(...), el DataFrame resultante tiene un MultiIndex en sus filas (las dos claves de groupby se convierten en los dos niveles del índice) y, potencialmente, otro MultiIndex en sus columnas (si agrega varias métricas). Esta es la forma más habitual de encontrarse con un MultiIndex en el análisis de datos cotidiano; entender cómo recorrerlo es esencial para trabajar con resultados de groupby.

Utilice df.swaplevel() para intercambiar dos niveles del índice y df.reorder_levels([...]) para cambiar el orden de todos los niveles. Reordenar resulta útil cuando desea segmentar primero por un nivel interno o cuando dos DataFrames tienen sus niveles de índice en un orden diferente y deben alinearse antes de fusionarlos. Después de reordenar, llame siempre a sort_index() para restaurar el orden lexicográfico y permitir una segmentación eficiente.

La segmentación de un MultiIndex solo es eficiente cuando el índice está ordenado lexicográficamente. Compruebe si el índice está ordenado con df.index.is_monotonic_increasing. Si devuelve False, ordénelo con df.sort_index(). Un MultiIndex sin ordenar genera un PerformanceWarning en las operaciones de segmentación y puede devolver resultados incorrectos en algunos casos extremos; ordénelo siempre después de crear o modificar un MultiIndex.

Llame a df.reset_index() para volver a convertir todos los niveles del índice en columnas normales y dejar el DataFrame con un RangeIndex de enteros simple. Este es un patrón habitual después de realizar agregaciones con groupby: calcule el resumen agrupado con un MultiIndex y, después, restablezca el índice para obtener un DataFrame plano adecuado para realizar más operaciones con Pandas, combinar datos o exportarlos a CSV. Use reset_index(level='name') para restablecer solo un nivel de un índice de dos niveles.

Use un MultiIndex cuando sus datos tengan una estructura jerárquica natural: series temporales con granularidad inferior al día (fecha + hora), datos de panel (entidad + periodo) o agrupaciones anidadas (país + región + ciudad). Evite los MultiIndex para claves de agrupación sencillas de dos columnas cuando un DataFrame plano con columnas separadas sea igual de legible. Si se encuentra llamando constantemente a reset_index() solo para acceder a los datos, es una señal de que el MultiIndex no está aportando valor en su flujo de trabajo.

Compruebe su comprensión de la creación de MultiIndex a partir de esta lección.

En esta lección ha aprendido que los MultiIndex proporcionan etiquetas jerárquicas de filas (o columnas) mediante tuplas, y que se crean con from_tuples, from_product o set_index sobre varias columnas, y siempre se ordenan para realizar segmentaciones de forma eficiente. A continuación, exploraremos cómo seleccionar datos de un MultiIndex mediante .loc, tuplas, segmentos y el asistente IndexSlice.