python pandas 過濾器 function MultiIndex 上的正則表達式行為

Question

我有一個 dataframe df ，看起來像（有關生成數據幀的代碼，請參見附錄）：

fy 2018 2019 tag uom Assets USD 3.753190e+11 3.385160e+11 AssetsCurrent USD 1.286450e+11 1.628190e+11 AssetsNoncurrent USD 2.466740e+11 1.756970e+11 DeferredTaxAssetsDeferredCostSharing USD 6.670000e+08 NaN DeferredTaxAssetsDeferredIncome USD 1.521000e+09 1.141000e+09 DeferredTaxAssetsGoodwillAndIntangibleAssets USD NaN 1.143300e+10 DeferredTaxAssetsLiabilitiesNet USD 5.834000e+09 5.834000e+09 DeferredTaxAssetsNet USD 8.974000e+09 6.610000e+09 DeferredTaxAssetsOther USD 8.340000e+08 7.970000e+08 DeferredTaxAssetsPropertyPlantAndEquipment USD 1.230000e+09 1.370000e+08 DeferredTaxAssetsTaxDeferredExpenseCompensation... USD 7.030000e+08 5.130000e+08 DeferredTaxAssetsTaxDeferredExpenseReservesAndA... USD 4.019000e+09 3.151000e+09 DeferredTaxAssetsUnrealizedLossesOnAvailablefor... USD 0.000000e+00 8.710000e+08 DerivativeAssetsReductionforMasterNettingArrang... USD 1.400000e+09 2.100000e+09 IncreaseDecreaseInOtherOperatingAssets USD -1.055000e+09 5.318000e+09 NoncurrentAssets USD 3.378300e+10 4.130400e+10 OtherAssetsCurrent USD 1.208700e+10 1.208700e+10 OtherAssetsNoncurrent USD 2.228300e+10 2.228300e+10

這是一個帶有索引tag和uom的 MultiIndex pivot 表。 我的目標是使用正則表達式和過濾器 function按tag索引過濾行。 例如：

df.filter(regex="^Assets$", axis="index")

理想情況下會過濾掉該行：

fy 2018 2019 tag uom Assets USD 3.753190e+11 3.385160e+11

但是，當我這樣做時，它會輸出一個空的 dataframe：

Empty DataFrame Columns: [2018, 2019] Index: []

我可以通過使用來規避這個問題：

df.index.get_level_values("tag").str.contains("^Assets$")

或作為 function

search = lambda df, regex, index_name: df.loc[df.index.get_level_values(index_name).str.contains(regex)]

但這對我來說不太令人滿意。 我是否缺少有關 pandas 過濾器 function 及其正則表達式輸入的工作原理的信息？ 它的行為不像預期的那樣，我的猜測是因為我有 2 個索引： tag和uom因此當我使用"^Assets$"作為我的正則表達式時，正則表達式在uom索引中失敗。 這通過使用正則表達式"^Assets$|USD"得到支持，它返回整個 dataframe 因為所有行都有uom=USD ，並且它顯示過濾器 function 考慮了這兩個索引。 如果是這種情況，那么我如何有選擇地為 MultiIndex dataframe 上的過濾器 function 選擇 index= tag ？

附錄：

import pandas as pd
import numpy as np

levels = ['Assets',
         'AssetsCurrent',
         'AssetsNoncurrent',
         'DeferredTaxAssetsDeferredCostSharing',
         'DeferredTaxAssetsDeferredIncome',
         'DeferredTaxAssetsGoodwillAndIntangibleAssets',
         'DeferredTaxAssetsLiabilitiesNet',
         'DeferredTaxAssetsNet',
         'DeferredTaxAssetsOther',
         'DeferredTaxAssetsPropertyPlantAndEquipment',
'DeferredTaxAssetsTaxDeferredExpenseCompensationAndBenefitsShareBasedCompensationCost',
         'DeferredTaxAssetsTaxDeferredExpenseReservesAndAccruals',
         'DeferredTaxAssetsUnrealizedLossesOnAvailableforSaleSecuritiesGross',
         'DerivativeAssetsReductionforMasterNettingArrangements',
         'IncreaseDecreaseInOtherOperatingAssets',
         'NoncurrentAssets',
         'OtherAssetsCurrent',
         'OtherAssetsNoncurrent']
codes = ['USD' for i in range(len(levels))]

index = pd.MultiIndex.from_arrays([levels, codes], names=['tag', 'uom'])
columns = pd.Int64Index([2018, 2019], dtype='int64', name='fy')
values = [[3.75319e+11,  3.38516e+11],
              [1.28645e+11, 1.62819e+11],
              [2.46674e+11,  1.75697e+11],
              [6.67000e+08,          np.NaN],
              [1.52100e+09,  1.14100e+09],
              [np.NaN,  1.14330e+10],
              [5.83400e+09,  5.83400e+09],
              [8.97400e+09,  6.61000e+09],
              [8.34000e+08,  7.97000e+08],
              [1.23000e+09,  1.37000e+08],
              [7.03000e+08,  5.13000e+08],
              [4.01900e+09,  3.15100e+09],
              [0.00000e+00,  8.71000e+08],
              [1.40000e+09,  2.10000e+09],
              [-1.05500e+09,  5.31800e+09],
              [3.37830e+10,  4.13040e+10],
              [1.20870e+10,  1.20870e+10],
              [2.22830e+10,  2.22830e+10]]

df = pd.DataFrame(values, columns=columns, index=index)

Answer 1

過濾器 function 的正則表達式部分的實現很短，很容易適應多索引場景，在這種場景中，您仍然希望只對多索引的 1 部分進行正則表達式。 我知道這不是您所問問題的直接答案，因為您是對的，因為過濾器 function 不處理多索引。

我在這里遇到了同樣的問題，並認為發布我使用的代碼可能對其他人有用，該代碼改編自 pandas 原版：

import regex as re

def filter_multi(df, index_level_name, regex, axis=0):
    def f(x):
        return matcher.search(str(x)) is not None

    matcher = re.compile(regex)
    values = df.axes[axis].get_level_values(index_level_name).map(f)
    return df.loc(axis=axis)[values]

使用附錄中的代碼：

print(df)
print(filter_multi(df, index_level_name='tag', regex='^Assets$', axis=0))
print(filter_multi(df, index_level_name='fy', regex='^2019$', axis=1))

Answer 2

如果你想從多索引的第一部分過濾一個唯一值，你可以使用loc ：

df.loc[['Assets']]

這使：

fy                  2018          2019
tag    uom                            
Assets USD  3.753190e+11  3.385160e+11

如果對於您的實際問題，必須使用過濾器，您應該重置索引中未使用的部分並在過濾后將其重新設置：

df.reset_index(level='uom').filter(regex='^Assets$', axis=0).set_index('uom', append=True)

Answer 3

另一種選擇是首先從您的索引中刪除uom ，應用filter （然后將其應用於唯一的索引tag ）並將uom添加回您的索引，如

df.reset_index('uom').filter(regex="^Assets$", axis=0).set_index('uom', append=True)