pandas.DataFrame：如何按索引對齊/分組和排序數據？

Question

我是熊貓的新手，仍然沒有很好地了解它的力量和如何使用它。 所以這個問題希望很簡單:)

我有一個帶有日期索引和幾列（股票及其開盤價和收盤價）的 DataFrame。 以下是兩只股票A和B一些示例數據：

import pandas as pd
_ = pd.to_datetime
A_dt = [_('2018-01-04'), _('2018-01-01'), _('2018-01-05')]
B_dt = [_('2018-01-01'), _('2018-01-05'), _('2018-01-03'), _('2018-01-02')]
A_data = [(12, 11), (10, 9), (8, 9)]
B_data = [(2, 2), (3, 4), (4, 4), (5, 3)]

如您所見，數據不完整，每個系列的缺失日期不同。 我想將這些數據放在一個帶有排序的行索引dt和 4 列（每只 2 只股票 x 2 個時間序列）的單個數據框中。

當我這樣做時，一切正常（除了我想更改列級別但不知道該怎么做）：

# MultiIndex on axis 0, then unstacking
i0_a = pd.MultiIndex.from_tuples([("A", x) for x in A_dt], names=['symbol', 'dt'])
i0_b = pd.MultiIndex.from_tuples([("B", x) for x in B_dt], names=['symbol', 'dt'])

df0_a = pd.DataFrame(A_data, index=i0_a, columns=["Open", "Close"])
df0_b = pd.DataFrame(B_data, index=i0_b, columns=["Open", "Close"])

df = pd.concat([df0_a, df0_b])

df = df.unstack('symbol')  # this automatically sorts by dt.
print df

#            Open      Close
#symbol         A    B     A    B
#dt
#2018-01-01  10.0  2.0   9.0  2.0
#2018-01-02   NaN  5.0   NaN  3.0
#2018-01-03   NaN  4.0   NaN  4.0
#2018-01-04  12.0  NaN  11.0  NaN
#2018-01-05   8.0  3.0   9.0  4.0

但是，當我將 MultiIndex 放在列上時，情況就不一樣了

# MultiIndex on axis 1
i1_a = pd.MultiIndex.from_tuples([("A", "Open"), ("A", "Close")], names=['symbol', 'series'])
i1_b = pd.MultiIndex.from_tuples([("B", "Open"), ("B", "Close")], names=['symbol', 'series'])

df1_a = pd.DataFrame(A_data, index=A_dt, columns=i1_a)
df1_b = pd.DataFrame(B_data, index=B_dt, columns=i1_b)

df = pd.concat([df1_a, df1_b])

print df

#symbol         A           B
#series     Close  Open Close Open
#2018-01-04  11.0  12.0   NaN  NaN
#2018-01-01   9.0  10.0   NaN  NaN
#2018-01-05   9.0   8.0   NaN  NaN
#2018-01-01   NaN   NaN   2.0  2.0
#2018-01-05   NaN   NaN   4.0  3.0
#2018-01-03   NaN   NaN   4.0  4.0
#2018-01-02   NaN   NaN   3.0  5.0

1. 為什么在這種情況下數據不會自動對齊，而在另一種情況下？
2. 如何在第二個示例中對其進行對齊和排序？
3. 在大型數據集（大約 5000 只股票，1000 個時間步長，不僅每只股票 2 個系列（開盤、收盤），而是大約 20 個）上，哪種方法可能會更快？ 這最終將用作 keras 機器學習模型的輸入。

編輯：使用 jezraels 回答我計​​時了 3 種不同的連接/組合數據幀的方法。 我的第一種方法是最快的。 結果證明使用combine_first比其他方法慢一個數量級。 在示例中，數據的大小仍然非常小：

import timeit
setup = """
import pandas as pd
import numpy as np

stocks = 20
steps = 20
features = 10

data = []
index_method1 = []
index_method2 = []
cols_method1 = []
cols_method2 = []

df = None
for s in range(stocks):
    name = "stock{0}".format(s)
    index = np.arange(steps)
    data.append(np.random.rand(steps, features))
    index_method1.append(pd.MultiIndex.from_tuples([(name, x) for x in index], names=['symbol', 'dt']))
    index_method2.append(index)
    cols_method1.append([chr(65 + x) for x in range(features)])
    cols_method2.append(pd.MultiIndex.from_arrays([[name] * features, [chr(65 + x) for x in range(features)]], names=['symbol', 'series']))
"""

method1 = """
for s in range(stocks):
    df_new = pd.DataFrame(data[s], index=index_method1[s], columns=cols_method1[s])
    if s == 0:
        df = df_new
    else:
        df = pd.concat([df, df_new])
df = df.unstack('symbol')
"""

method2 = """
for s in range(stocks):
    df_new = pd.DataFrame(data[s], index=index_method2[s], columns=cols_method2[s])
    if s == 0:
        df = df_new
    else:
        df = df.combine_first(df_new)
"""

method3 = """
for s in range(stocks):
    df_new = pd.DataFrame(data[s], index=index_method2[s], columns=cols_method2[s])
    if s == 0:
        df = df_new.stack()
    else:
        df = pd.concat([df, df_new.stack()], axis=1)

df = df.unstack().swaplevel(0,1, axis=1).sort_index(axis=1)
"""

print ("Multi-Index axis 0, then concat: {} s".format((timeit.timeit(method1, setup, number=1))))
print ("Multi-Index axis 1, combine_first: {} s".format((timeit.timeit(method2, setup, number=1))))
print ("Stack and then concat: {} s".format((timeit.timeit(method3, setup, number=1))))

Multi-Index axis 0, then concat: 0.134283173989 s
Multi-Index axis 1, combine_first: 5.02396191049 s
Stack and then concat: 0.272278263371 s

Answer 1

這是問題，因為兩個 DataFrames 在列中都有不同的MultiIndex ，所以沒有對齊。

解決方案是stack Series ， concat到 2 列DataFrame ，然后DataFrame unstack並為MultiIndex添加swaplevel和sort_index正確順序：

df = (pd.concat([df1_a.stack(), df1_b.stack()], axis=1)
        .unstack()
        .swaplevel(0,1, axis=1)
        .sort_index(axis=1))
print (df)
series     Close       Open     
symbol         A    B     A    B
2018-01-01   9.0  2.0  10.0  2.0
2018-01-02   NaN  3.0   NaN  5.0
2018-01-03   NaN  4.0   NaN  4.0
2018-01-04  11.0  NaN  12.0  NaN
2018-01-05   9.0  4.0   8.0  3.0

但更好的是使用combine_first ：

df = df1_a.combine_first(df1_b)
print (df)
symbol         A           B     
series     Close  Open Close Open
2018-01-01   9.0  10.0   2.0  2.0
2018-01-02   NaN   NaN   3.0  5.0
2018-01-03   NaN   NaN   4.0  4.0
2018-01-04  11.0  12.0   NaN  NaN
2018-01-05   9.0   8.0   4.0  3.0