Seleccionar datos de un MultiIndex

Una vez que tiene un MultiIndex, necesita formas eficientes de recuperar subconjuntos de datos. Pandas proporciona tres herramientas para ello: .loc con tuplas para seleccionar etiquetas exactas, slice() y pd.IndexSlice para seleccionar rangos entre niveles, y .xs() para seleccionar una sección transversal en un valor de nivel específico. Dominar estos patrones de acceso es lo que permite aprovechar todo el potencial de la indexación jerárquica.

Pase una única etiqueta del nivel externo a .loc[] para recuperar todas las filas de ese grupo. Con un MultiIndex de dos niveles (country, year), df.loc['USA'] devuelve todas las filas de USA como un DataFrame en el que solo permanece el índice interno (year). Este comportamiento se denomina eliminación de nivel: cuando selecciona un valor específico de un nivel externo, Pandas elimina ese nivel del índice del objeto devuelto.

Para recuperar una única fila identificada por ambos niveles del índice, pase una tupla a .loc[]: df.loc[('USA', 2022)]. Esto devuelve una Series (o un escalar si se trata de una sola columna) correspondiente exactamente a esa combinación de etiquetas (externa, interna). Debe pasar la tupla dentro de una lista, df.loc[[('USA', 2022)]], si desea obtener un DataFrame en lugar de una Series.

Para seleccionar varias filas específicas a la vez, pase una lista de tuplas a .loc[]. Esto resulta útil cuando necesita un subconjunto no contiguo de filas identificado por claves compuestas; por ejemplo, los datos de 2022 de USA y UK, pero no de Alemania. El resultado conserva el MultiIndex en el DataFrame devuelto.

pd.IndexSlice (que normalmente se abrevia como idx) permite escribir segmentos de rango para los niveles de un MultiIndex sin tener que construir manualmente segmentos de tuplas extensos. Sintaxis: df.loc[idx[outer_slice, inner_slice], column_slice]. Por ejemplo, df.loc[idx['UK':'USA', 2022:2023], :] selecciona todas las filas cuyo nivel externo está entre UK y USA y cuyo nivel interno está entre 2022 y 2023. El índice debe estar ordenado para que esto funcione correctamente.

df.xs(key, level=) selecciona todas las filas en las que un nivel específico es igual a un valor determinado, independientemente del contenido de los demás niveles. A diferencia de .loc, que requiere especificar primero los niveles externos, .xs puede acceder directamente a cualquier nivel por su nombre. Por ejemplo, df.xs(2022, level='year') devuelve todas las filas de 2022 de todos los países sin necesidad de especificar 'USA', 'UK' o 'DE'.

Cuando un DataFrame tiene un MultiIndex en las columnas, use tuplas para acceder a columnas específicas: df[('revenue', 'Q1')]. Para seleccionar todas las columnas de un nivel externo (por ejemplo, todas las columnas de revenue), use df['revenue'], que devuelve un DataFrame con todas las columnas del nivel interno bajo esa clave externa. El patrón pd.IndexSlice también funciona con MultiIndex de columnas cuando se combina con .loc.

Para seleccionar un único valor del nivel interno en todos los valores del nivel externo, combine .loc con un slice(None) para el nivel externo: df.loc[(slice(None), 2022), :]. Esto selecciona la fila de 2022 de todos los países. La versión con pd.IndexSlice es más legible: df.loc[idx[:, 2022], :]. Este patrón suele ser necesario cuando desea obtener una instantánea de todas las entidades en un momento específico.

Tres errores habituales: 1) Índice sin ordenar: segmentar un MultiIndex que no está ordenado genera UnsortedIndexError o devuelve resultados incorrectos; llame siempre primero a sort_index(). 2) KeyError al usar una tupla como clave: si pasa una tupla sin incluirla en .loc[], Python la interpreta como indexación posicional; use siempre .loc para acceder a un MultiIndex mediante etiquetas. 3) Incompatibilidad de niveles: después de usar groupby, los nombres de los niveles del MultiIndex pueden no coincidir con lo que espera; compruebe df.index.names antes de segmentar.

Un caso de uso concreto: tiene datos de ventas indexados por (region, quarter) y necesita extraer el cuarto trimestre de todas las regiones para un informe de cierre anual. Use .xs('Q4', level='quarter') para obtener esta sección transversal en una sola llamada. Después, calcule el total con .sum(). Este patrón —agregación con groupby → resultado con MultiIndex → extracción de una sección transversal— es extremadamente habitual en los flujos de generación de informes empresariales.

Puede seleccionar filas y columnas específicas simultáneamente mediante .loc[row_indexer, column_list]. Con un MultiIndex, el indexador de filas es una tupla, una lista de tuplas o IndexSlice, y el indexador de columnas es un nombre de columna o una lista de nombres. Esto le permite extraer una subtabla rectangular precisa de un DataFrame jerárquico mediante una sola expresión.

En esta lección ha aprendido a usar .loc con tuplas para seleccionar combinaciones específicas de etiquetas (externa, interna), pd.IndexSlice para segmentar rangos en cualquier nivel y .xs() para extraer una sección transversal en cualquier nivel, independientemente de las claves externas. Ordene siempre primero el índice para evitar UnsortedIndexError. A continuación, exploraremos la alineación y el reindexado de índices: cómo alinea Pandas dos DataFrame con un índice común.