Selecionando dados de um MultiIndex

Depois de criar um MultiIndex, você precisa de maneiras eficientes de recuperar subconjuntos de dados. O Pandas fornece três ferramentas para isso: .loc com tuplas para a seleção exata de rótulos, slice() e pd.IndexSlice para a seleção de intervalos entre níveis e .xs() para a seleção de uma seção transversal em um valor de nível específico. Dominar esses padrões de acesso é o que permite aproveitar todo o potencial da indexação hierárquica.

Passe um único rótulo do nível externo para .loc[] para recuperar todas as linhas daquele grupo. Com um MultiIndex de dois níveis (país, ano), df.loc['USA'] retorna todas as linhas dos USA como um DataFrame, mantendo apenas o índice interno (ano). Esse comportamento é chamado de remoção de nível — quando você seleciona um valor específico em um nível externo, o Pandas remove esse nível do índice do objeto retornado.

Para recuperar uma única linha identificada por ambos os níveis do índice, passe uma tupla para .loc[]: df.loc[('USA', 2022)]. Isso retorna uma Series (ou um escalar para uma única coluna) correspondente exatamente a essa combinação de rótulos (externo, interno). Você deve passar a tupla dentro de uma lista, df.loc[[('USA', 2022)]], se quiser obter um DataFrame em vez de uma Series.

Para selecionar várias linhas específicas de uma só vez, passe uma lista de tuplas para .loc[]. Isso é útil quando você precisa de um subconjunto não contíguo de linhas identificado por chaves compostas — por exemplo, os dados de 2022 dos USA e do UK, mas não da Alemanha. O resultado preserva o MultiIndex no DataFrame retornado.

pd.IndexSlice (comumente usado com o alias idx) permite escrever fatias de intervalos para níveis de MultiIndex sem construir manualmente fatias de tuplas extensas. Sintaxe: df.loc[idx[outer_slice, inner_slice], column_slice]. Por exemplo, df.loc[idx['UK':'USA', 2022:2023], :] seleciona todas as linhas em que o nível externo está entre UK e USA e o nível interno está entre 2022 e 2023. O índice deve estar ordenado para que isso funcione corretamente.

df.xs(key, level=) seleciona todas as linhas em que um nível específico é igual a determinado valor, independentemente do conteúdo dos outros níveis. Diferentemente de .loc, que exige a especificação dos níveis externos primeiro, .xs pode acessar diretamente qualquer nível pelo nome. Por exemplo, df.xs(2022, level='year') retorna todas as linhas de 2022 para todos os países, sem precisar especificar 'USA', 'UK' ou 'DE'.

Quando um DataFrame tem um MultiIndex nas colunas, use tuplas para acessar colunas específicas: df[('revenue', 'Q1')]. Para selecionar todas as colunas de um nível externo (por exemplo, todas as colunas de receita), use df['revenue'], que retorna um DataFrame com todas as colunas do nível interno sob essa chave externa. O padrão pd.IndexSlice também funciona em MultiIndexes de colunas quando combinado com .loc.

Para selecionar um único valor do nível interno em todos os valores do nível externo, combine .loc com um slice(None) para o nível externo: df.loc[(slice(None), 2022), :]. Isso seleciona a linha de 2022 de todos os países. A versão com pd.IndexSlice é mais legível: df.loc[idx[:, 2022], :]. Esse padrão é frequentemente necessário quando você quer obter um retrato de todas as entidades em um momento específico.

Três armadilhas comuns: 1) Índice não ordenado: fatiar um MultiIndex que não está ordenado gera UnsortedIndexError ou retorna resultados incorretos — sempre chame sort_index() primeiro. 2) KeyError com uma tupla como chave: se você passar uma tupla sem envolvê-la em .loc[], o Python a interpreta como indexação posicional — sempre use .loc para acessar um MultiIndex por rótulos. 3) Incompatibilidade de níveis: depois de usar groupby, os nomes dos níveis do MultiIndex podem não corresponder ao que você espera — verifique df.index.names antes de fatiar.

Um caso de uso concreto: você tem dados de vendas indexados por (região, trimestre) e precisa extrair o Q4 de todas as regiões para um relatório de fim de ano. Use .xs('Q4', level='quarter') para obter essa seção transversal em uma única chamada. Em seguida, calcule o total com .sum(). Esse padrão — agregação com groupby → resultado com MultiIndex → extração de seção transversal — é extremamente comum em fluxos de trabalho de relatórios empresariais.

Você pode selecionar linhas e colunas específicas simultaneamente usando .loc[row_indexer, column_list]. Com um MultiIndex, o indexador de linhas é uma tupla, uma lista de tuplas ou um IndexSlice, e o indexador de colunas é um nome de coluna ou uma lista de nomes. Isso permite extrair uma sub-tabela retangular precisa de um DataFrame hierárquico em uma única expressão.

Nesta lição, você aprendeu a usar .loc com tuplas para selecionar combinações específicas de rótulos (externo, interno), pd.IndexSlice para fatias de intervalos em quaisquer níveis e .xs() para extrair uma seção transversal em qualquer nível, independentemente das chaves externas. Sempre ordene o índice primeiro para evitar UnsortedIndexError. Em seguida, veremos o alinhamento e a reindexação de índices — como o Pandas alinha dois DataFrames a um índice comum.