Sélectionner des données dans un MultiIndex

Une fois que vous disposez d’un MultiIndex, vous avez besoin de moyens efficaces pour récupérer des sous-ensembles de données. Pandas fournit trois outils pour cela : .loc avec des tuples pour sélectionner des étiquettes exactes, slice() et pd.IndexSlice pour sélectionner des intervalles à travers les niveaux, et .xs() pour sélectionner une coupe transversale à une valeur précise d’un niveau. La maîtrise de ces modes d’accès permet d’exploiter pleinement la puissance de l’indexation hiérarchique.

Transmettez une seule étiquette du niveau externe à .loc[] pour récupérer toutes les lignes de ce groupe. Avec un MultiIndex à deux niveaux (pays, année), df.loc['USA'] renvoie toutes les lignes concernant les USA sous forme de DataFrame, en ne conservant que l’index interne (l’année). Ce comportement est appelé suppression de niveau : lorsque vous sélectionnez une valeur précise d’un niveau externe, Pandas supprime ce niveau de l’index de l’objet renvoyé.

Pour récupérer une seule ligne identifiée par les deux niveaux de l’index, transmettez un tuple à .loc[] : df.loc[('USA', 2022)]. Cela renvoie une Series (ou un scalaire pour une seule colonne) correspondant exactement à cette combinaison d’étiquettes (externe, interne). Vous devez placer le tuple dans une liste, df.loc[[('USA', 2022)]], si vous souhaitez obtenir un DataFrame plutôt qu’une Series.

Pour sélectionner plusieurs lignes précises en une seule fois, transmettez une liste de tuples à .loc[]. Cette méthode est utile lorsque vous avez besoin d’un sous-ensemble de lignes non contiguës identifiées par des clés composites — par exemple, les données de 2022 pour les USA et le UK, mais pas pour l’Allemagne. Le résultat conserve le MultiIndex dans le DataFrame renvoyé.

pd.IndexSlice (généralement associé à l’alias idx) vous permet d’écrire des tranches d’intervalles pour les niveaux d’un MultiIndex sans construire manuellement des tranches de tuples verbeuses. Syntaxe : df.loc[idx[outer_slice, inner_slice], column_slice]. Par exemple, df.loc[idx['UK':'USA', 2022:2023], :] sélectionne toutes les lignes dont le niveau externe est compris entre UK et USA et le niveau interne entre 2022 et 2023. L’index doit être trié pour que cela fonctionne correctement.

df.xs(key, level=) sélectionne toutes les lignes pour lesquelles un niveau précis est égal à une valeur donnée, quels que soient les contenus des autres niveaux. Contrairement à .loc, qui exige de spécifier d’abord les niveaux externes, .xs peut accéder directement à n’importe quel niveau par son nom. Par exemple, df.xs(2022, level='year') renvoie toutes les lignes de 2022 pour tous les pays, sans avoir besoin de spécifier 'USA', 'UK' ou 'DE'.

Lorsqu’un DataFrame possède un MultiIndex sur ses colonnes, utilisez des tuples pour accéder à des colonnes précises : df[('revenue', 'Q1')]. Pour sélectionner toutes les colonnes d’un niveau externe (par exemple, toutes les colonnes de revenus), utilisez df['revenue'], qui renvoie un DataFrame contenant toutes les colonnes du niveau interne sous cette clé externe. Le schéma pd.IndexSlice fonctionne également sur les multi-index de colonnes lorsqu’il est combiné avec .loc.

Pour sélectionner une seule valeur du niveau interne pour toutes les valeurs du niveau externe, combinez .loc avec un slice(None) pour le niveau externe : df.loc[(slice(None), 2022), :]. Cela sélectionne la ligne de 2022 pour chaque pays. La version avec pd.IndexSlice est plus lisible : df.loc[idx[:, 2022], :]. Ce schéma est souvent nécessaire lorsque vous souhaitez obtenir un instantané de toutes les entités à un moment précis.

Voici trois pièges courants : 1) Index non trié : découper un MultiIndex qui n’est pas trié déclenche UnsortedIndexError ou renvoie des résultats incorrects — appelez toujours sort_index() au préalable. 2) KeyError avec un tuple comme clé : si vous transmettez un tuple sans l’encapsuler dans .loc[], Python l’interprète comme une indexation positionnelle — utilisez toujours .loc pour accéder à un MultiIndex par étiquettes. 3) Incompatibilité des niveaux : après groupby, les noms des niveaux du MultiIndex peuvent ne pas correspondre à vos attentes — vérifiez df.index.names avant d’effectuer un découpage.

Cas d’utilisation concret : vos données de ventes sont indexées par (région, trimestre) et vous devez extraire le quatrième trimestre pour toutes les régions dans un rapport de fin d’année. Utilisez .xs('Q4', level='quarter') pour obtenir cette coupe transversale en un seul appel. Calculez ensuite le total avec .sum(). Ce schéma — agrégation avec groupby → résultat MultiIndex → extraction d’une coupe transversale — est extrêmement courant dans les flux de production de rapports d’entreprise.

Vous pouvez sélectionner simultanément des lignes et des colonnes précises avec .loc[row_indexer, column_list]. Avec un MultiIndex, l’indexeur de lignes peut être un tuple, une liste de tuples ou un IndexSlice, tandis que l’indexeur de colonnes peut être un nom de colonne ou une liste de noms. Vous pouvez ainsi extraire un sous-tableau rectangulaire précis d’un DataFrame hiérarchique en une seule expression.

Testez votre compréhension de la sélection dans un MultiIndex à partir de cette leçon.

Dans cette leçon, vous avez appris à utiliser .loc avec des tuples pour sélectionner des combinaisons précises d’étiquettes (externe, interne), pd.IndexSlice pour effectuer des tranches d’intervalles sur n’importe quels niveaux, et .xs() pour extraire une coupe transversale à n’importe quel niveau, indépendamment des clés externes. Triez toujours l’index au préalable pour éviter UnsortedIndexError. Nous allons maintenant voir l’alignement des index et le réindexage : la manière dont Pandas aligne deux DataFrames sur un index commun.