Gegevens uit een MultiIndex selecteren

Als je een MultiIndex hebt, heb je efficiënte manieren nodig om subsets van gegevens op te halen. Pandas biedt hiervoor drie hulpmiddelen: .loc met tupels voor het selecteren van exacte labels, slice() en pd.IndexSlice voor bereikselecties over niveaus heen, en .xs() voor het selecteren van een dwarsdoorsnede op een specifieke niveauwaarde. Als je deze toegangs­­patronen beheerst, benut je de volledige kracht van hiërarchische indexering.

Geef een enkel label van het buitenste niveau door aan .loc[] om alle rijen voor die groep op te halen. Bij een MultiIndex met twee niveaus (land, jaar) retourneert df.loc['USA'] alle rijen voor de VS als een DataFrame, waarbij alleen de binnenste index (jaar) overblijft. Dit gedrag heet niveau verwijderen: wanneer je een specifieke waarde op een buitenste niveau selecteert, verwijdert Pandas dat niveau uit de index van het geretourneerde object.

Als je één rij wilt ophalen die door beide indexniveaus wordt geïdentificeerd, geef je een tupel door aan .loc[]: df.loc[('USA', 2022)]. Dit retourneert een Series (of een scalaire waarde voor één kolom) die precies overeenkomt met die combinatie van (buitenste, binnenste) labels. Je moet het tupel in een lijst plaatsen met df.loc[[('USA', 2022)]] als je een DataFrame in plaats van een Series wilt terugkrijgen.

Als je meerdere specifieke rijen tegelijk wilt selecteren, geef je een lijst met tupels door aan .loc[]. Dit is handig wanneer je een niet-aaneengesloten subset van rijen nodig hebt die door samengestelde sleutels wordt geïdentificeerd, bijvoorbeeld de gegevens van 2022 voor de VS en het VK, maar niet voor Duitsland. Het resultaat behoudt de MultiIndex in het geretourneerde DataFrame.

Met pd.IndexSlice (vaak afgekort als idx) kun je bereikslices voor MultiIndex-niveaus schrijven zonder omslachtige tupelslices handmatig samen te stellen. Syntaxis: df.loc[idx[outer_slice, inner_slice], column_slice]. Met df.loc[idx['UK':'USA', 2022:2023], :] selecteer je bijvoorbeeld alle rijen waarvoor het buitenste niveau tussen het VK en de VS ligt en het binnenste niveau tussen 2022 en 2023. De index moet hiervoor correct gesorteerd zijn.

df.xs(key, level=) selecteert alle rijen waarvoor een specifiek niveau gelijk is aan een bepaalde waarde, ongeacht de inhoud van andere niveaus. In tegenstelling tot .loc, waarvoor je eerst de buitenste niveaus moet opgeven, kan .xs rechtstreeks elk niveau op naam benaderen. Zo retourneert df.xs(2022, level='year') alle rijen van 2022 voor alle landen, zonder dat je 'USA', 'UK' of 'DE' hoeft op te geven.

Wanneer een DataFrame een MultiIndex voor kolommen heeft, gebruik je tupels om specifieke kolommen te benaderen: df[('revenue', 'Q1')]. Als je alle kolommen op een buitenste niveau wilt selecteren, bijvoorbeeld alle omzetkolommen, gebruik je df['revenue']. Dit retourneert een DataFrame met alle kolommen van het binnenste niveau onder die buitenste sleutel. Het patroon met pd.IndexSlice werkt ook voor MultiIndex-kolommen in combinatie met .loc.

Als je één waarde van het binnenste niveau wilt selecteren voor alle waarden van het buitenste niveau, combineer je .loc met een slice(None) voor het buitenste niveau: df.loc[(slice(None), 2022), :]. Hiermee selecteer je de rij van 2022 voor elk land. De versie met pd.IndexSlice is beter leesbaar: df.loc[idx[:, 2022], :]. Dit patroon is vaak nodig wanneer je een momentopname wilt ophalen van alle entiteiten op een specifiek tijdstip.

Drie veelvoorkomende valkuilen: 1) Ongesorteerde index: het slicen van een MultiIndex die niet is gesorteerd, veroorzaakt een UnsortedIndexError of levert onjuiste resultaten op; roep altijd eerst sort_index() aan. 2) KeyError met een tupel als sleutel: als je een tupel doorgeeft zonder het in .loc[] te plaatsen, interpreteert Python het als positionele indexering; gebruik altijd .loc voor labelgebaseerde toegang tot een MultiIndex. 3) Niet-overeenkomend niveau: na groupby komen de namen van de MultiIndex-niveaus mogelijk niet overeen met wat je verwacht; controleer df.index.names voordat je slicet.

Een concreet gebruiksscenario: je hebt verkoopgegevens met een index op (regio, kwartaal) en moet voor een jaareindrapport het vierde kwartaal voor alle regio's ophalen. Gebruik .xs('Q4', level='quarter') om deze dwarsdoorsnede in één aanroep te krijgen. Bereken daarna het totaal met .sum(). Dit patroon — aggregatie met groupby → MultiIndex-resultaat → dwarsdoorsnede ophalen — komt zeer vaak voor in rapportagewerkstromen voor bedrijven.

Je kunt specifieke rijen en kolommen tegelijk selecteren met .loc[row_indexer, column_list]. Bij een MultiIndex is de rij-indexeerder een tupel, een lijst met tupels of een IndexSlice, en de kolom-indexeerder een kolomnaam of een lijst met namen. Zo kun je in één expressie een precieze rechthoekige sub­tabel uit een hiërarchisch DataFrame ophalen.

In deze les heb je geleerd dat je .loc met tupels gebruikt om specifieke combinaties van (buitenste, binnenste) labels te selecteren, pd.IndexSlice voor bereikselecties over willekeurige niveaus en .xs() om op elk niveau een dwarsdoorsnede op te halen, ongeacht de buitenste sleutels. Sorteer de index altijd eerst om UnsortedIndexError te voorkomen. Hierna bekijken we indexuitlijning en opnieuw indexeren: hoe Pandas twee DataFrames uitlijnt op een gemeenschappelijke index.