Skapa en MultiIndex

Ett MultiIndex (även kallat hierarkiskt index) gör det möjligt för en Pandas DataFrame eller Series att ha flera nivåer av radetiketter. Tänk på det som en sammansatt nyckel i en databas: i stället för att identifiera en rad med en enda etikett identifierar ni den med en tupel som (land, stad) eller (år, kvartal). MultiIndex är nödvändiga för att representera paneldata, tvärsnittsvisa tidsserier och alla datamängder med en naturlig grupperingsstruktur på två nivåer.

pd.MultiIndex.from_tuples(list_of_tuples, names=) är det tydligaste sättet att skapa ett MultiIndex. Varje tupel blir en radetikett och dess element blir nivåerna. Parametern names tilldelar varje nivå en etikett (t.ex. ['year', 'quarter']). Metoden är användbar när ni har en färdig lista med sammansatta nycklar som ni vill använda som radindex.

pd.MultiIndex.from_product(iterables, names=) skapar ett MultiIndex från den kartesiska produkten av flera listor – alltså varje kombination av element från indatalistorna. Detta är den smidigaste metoden när alla kombinationer av nivåerna ska finnas i data. Till exempel skapar alla kombinationer av 3 år × 4 kvartal × 5 regioner automatiskt en balanserad panel med 60 rader.

Det vanligaste sättet att skapa ett MultiIndex i praktiken är att börja med en vanlig DataFrame som har grupperingskolumner och sedan anropa df.set_index([col1, col2]). Då flyttas kolumnerna från datakolumner till indexnivåer. Resultatet är detsamma som om ni hade byggt indexet från grunden med from_tuples, men det kräver bara en rad när ni utgår från tabelldata.

Ett MultiIndex lagrar sina data i levels (de unika värdena på varje nivå) och codes (heltalspekare till nivåarrayerna). Inspektera nivåerna med df.index.levels eller df.index.get_level_values(level). Använd df.index.nlevels för att kontrollera hur många nivåer som finns. Attributet names listar namnet som tilldelats varje nivå – ange dessa med df.index.set_names(['level0', 'level1']).

Ett MultiIndex kan också användas för kolumner och därmed skapa en hierarki av kolumnetiketter. Detta är vanligt när ni lagrar flera mått för varje kategori i en pivottabelliknande layout – till exempel (intäkt, Q1), (intäkt, Q2), (kostnad, Q1), (kostnad, Q2). Åtkomst till kolumner sker på samma sätt som åtkomst till rader – med hjälp av tupler. Skapa ett MultiIndex för kolumner med pd.MultiIndex.from_product och tilldela det till df.columns.

När ni anropar groupby([col1, col2]).agg(...) får den resulterande DataFrame ett MultiIndex för raderna (de två groupby-nycklarna blir de två indexnivåerna) och eventuellt ett MultiIndex för kolumnerna (om ni aggregerar flera mått). Detta är det vanligaste sättet att stöta på ett MultiIndex i den dagliga dataanalysen – att förstå hur man navigerar i det är nödvändigt för att kunna arbeta med groupby-resultat.

Använd df.swaplevel() för att byta plats på två indexnivåer och df.reorder_levels([...]) för att ändra ordningen på alla nivåer. Det är användbart att ändra ordningen när ni vill göra ett urval efter en inre nivå först eller när två DataFrames har sina indexnivåer i olika ordning och måste justeras innan de slås samman. Anropa alltid sort_index() efter omordningen för att återställa lexikografisk ordning och effektivisera urval.

Urval i ett MultiIndex är bara effektivt när indexet är lexikografiskt sorterat. Kontrollera om indexet är sorterat med df.index.is_monotonic_increasing. Om resultatet är False sorterar ni med df.sort_index(). Ett osorterat MultiIndex utlöser en PerformanceWarning vid intervallurval och kan ge felaktiga resultat i vissa specialfall – sortera därför alltid efter att ni har skapat eller ändrat ett MultiIndex.

Anropa df.reset_index() för att konvertera alla indexnivåer tillbaka till vanliga kolumner och lämna DataFrame-objektet med ett enkelt heltalsbaserat RangeIndex. Detta är ett vanligt mönster efter groupby-aggregeringar: beräkna den grupperade sammanfattningen med ett MultiIndex och återställ sedan indexet för att få en platt DataFrame som lämpar sig för ytterligare Pandas-operationer, sammanfogning eller export till CSV. Använd reset_index(level='name') för att bara återställa en nivå i ett index med två nivåer.

Använd ett MultiIndex när data har en naturlig hierarkisk struktur: tidsserier med deldygnsupplösning (datum + timme), paneldata (entitet + tidsperiod) eller nästlade grupperingar (land + region + stad). Undvik MultiIndex för enkla grupperingsnycklar med två kolumner, där en platt DataFrame med separata kolumner är lika lätt att läsa. Om Ni ständigt behöver anropa reset_index() bara för att komma åt data, är det ett tecken på att MultiIndex inte tillför något värde i Ert arbetsflöde.

I den här lektionen lärde Ni Er att MultiIndex tillhandahåller hierarkiska rad- (eller kolumn-)etiketter med tupler. De skapas med from_tuples, from_product eller set_index på flera kolumner och sorteras alltid för effektiv skivning. Härnäst går vi igenom hur man väljer data från ett MultiIndex med hjälp av .loc, tupler, skivor och hjälpfunktionen IndexSlice.