熊猫数据透视表和多列布尔比较

Question

我有一个数据透视表的形式

      Price             Units  
Buyer     B     G     S     B   G   S
Idx                                  
1         0  1.51     0     0  11   0
2      2.32  1.32     0    21  13   0
3         0     0  1.44     0   0  14

我正在尝试使用可以被认为是（逐个单元）的逻辑，用B，G，S子列创建另一个名为“ Flag”的主列。

p['Flag'] = (p['Price'] < 2.0) & (p['Units'] > 13.5)

因此，期望的结果（仅显示新列）

       Flag
Buyer     B     G     S     
Idx                                  
1     False False False
2     False False False
3     False False  True

我尝试了很多方法，以下方法比其他方法更接近

newp = p.join(((p['Price'] < 2.0) & (p['Units'] > 13.5)).rename(columns=dict(Price='Flag')))

但这有两个问题

1. 布尔输出在右下角不正确。 这应该是正确的，因为相应的单元格价格小于2.0，相应的单元格单元大于13.5。
2. 它给出警告“ UserWarning：在不同级别之间合并会产生意想不到的结果（左侧2级，右侧1级）”。 我似乎无法将主要列名称“ Flag”添加到数据框中。

关于固定布尔条件并在正确级别合并的任何想法？

用于生成初始数据帧的代码是

from collections import OrderedDict
import pandas as pd

table = OrderedDict((
    ("Idx", [1, 2, 2, 3]),
    ('Buyer',['G', 'B', 'G', 'S']),
    ('Price',  ['1.51', '2.32', '1.32', '1.44']),
    ('Units',   ['11', '21', '13', '14'])
))
d = pd.DataFrame(table)
p = d.pivot(index='Idx', columns='Buyer')
p.fillna(0, inplace=True)

Answer 1

我认为您需要将字符串数字转换为按astype float ，然后使用concat ：

p = p.astype(float)

newp = pd.concat([p['Price'], p['Units'], (p['Price'] < 2.0) & (p['Units'] > 13.5)], 
                 axis=1, 
                 keys=['Price','Units','Flag'])
print (newp)

      Price             Units               Flag              
Buyer     B     G     S     B     G     S      B      G      S
Idx                                                           
1      0.00  1.51  0.00   0.0  11.0   0.0  False  False  False
2      2.32  1.32  0.00  21.0  13.0   0.0  False  False  False
3      0.00  0.00  1.44   0.0   0.0  14.0  False  False   True

使用join和MultiIndex.from_product创建新level解决方案：

p = p.astype(float)

a = (p['Price'] < 2.0) & (p['Units'] > 13.5)
a.columns = pd.MultiIndex.from_product([['Flag'],a.columns])
p = p.join(a)
print (p)
      Price             Units               Flag              
Buyer     B     G     S     B     G     S      B      G      S
Idx                                                           
1      0.00  1.51  0.00   0.0  11.0   0.0  False  False  False
2      2.32  1.32  0.00  21.0  13.0   0.0  False  False  False
3      0.00  0.00  1.44   0.0   0.0  14.0  False  False   True

Answer 2

在'Price'上使用双括号保存多索引，并在删除多索引的第一级后与'Units'进行逻辑组合。 这样，剩下的水平自然就会与'Price'多指标的第二水平结合

聊够了。 观察：

p[['Price']].lt(2) & p.Units.gt(13.5)

       Price              
Buyer      B      G      S
Idx                       
1      False  False  False
2      False  False  False
3      False  False   True

现在剩下的就是重命名'Price'并join

p.join(
    (
        p[['Price']].lt(2) & p.Units.gt(13.5)
    ).rename(columns=dict(Price='Flag'))
)

      Price             Units               Flag              
Buyer     B     G     S     B     G     S      B      G      S
Idx                                                           
1      0.00  1.51  0.00   0.0  11.0   0.0  False  False  False
2      2.32  1.32  0.00  21.0  13.0   0.0  False  False  False
3      0.00  0.00  1.44   0.0   0.0  14.0  False  False   True