Multiindex 데이터 프레임에 열 추가

Question

아래의 df1에 열 SUM을 추가하고 싶습니다. 그것은 Datetime MultiIndex이고 새로운 열 SUM은 행의 합계를 반환해야합니다.

multex = pd.MultiIndex.from_product([['price', 
'weight','quantity','portfolio'] ,df1.index],names=['Date', 'Stats']) 

new_df = pd.DataFrame(index=multex, columns= df1.columns.values.tolist()) 

다음으로 동일한 값을 반환하는 행 SUM을 추가하고자합니다. 내가 해봤 지금까지 다음

이

df1['SUM']= df1.ix['price'].sum(axis=1) 


          A  B  C  D  E 

2006-04-28 00:00:00          
      price  69.62 69.62 6.518 65.09 69.62 
      weight 
      std 
2006-05-01 00:00:00 
      price   71.5 71.5 6.522 65.16 71.5 
      weight 
      std 
2006-05-02 00:00:00 
      price  72.34 72.34 6.669 66.55 72.34 
      weight 
      std 

Answer 1

먼저 DataFrame.sort_index을 사용할 수 있습니다, 오류 때문에 :

KeyError: 'MultiIndex Slicing requires the index to be fully lexsorted tuple len (2), lexsort depth (1)'

그런 다음 slicers를 사용

df1 = df1.sort_index() 

idx = pd.IndexSlice 
df1['SUM'] = df1.loc[idx[:,'price'],:].sum(axis=1) 
print (df1) 
           A  B  C  D  E  SUM 
Date    Stats            
2006-04-28 00:00:00 price 69.62 69.62 6.518 65.09 69.62 280.468 
        std  NaN NaN NaN NaN NaN  NaN 
        weight NaN NaN NaN NaN NaN  NaN 
2006-05-01 00:00:00 price 71.50 71.50 6.522 65.16 71.50 286.182 
        std  NaN NaN NaN NaN NaN  NaN 
        weight NaN NaN NaN NaN NaN  NaN 
2006-05-02 00:00:00 price 72.34 72.34 6.669 66.55 72.34 290.239 
        std  NaN NaN NaN NaN NaN  NaN 
        weight NaN NaN NaN NaN NaN  NaN 

---

df1['SUM'] = df1.loc[(slice(None), slice('price')),:].sum(axis=1) 
print (df1) 
           A  B  C  D  E  SUM 
Date    Stats            
2006-04-28 00:00:00 price 69.62 69.62 6.518 65.09 69.62 280.468 
        std  NaN NaN NaN NaN NaN  NaN 
        weight NaN NaN NaN NaN NaN  NaN 
2006-05-01 00:00:00 price 71.50 71.50 6.522 65.16 71.50 286.182 
        std  NaN NaN NaN NaN NaN  NaN 
        weight NaN NaN NaN NaN NaN  NaN 
2006-05-02 00:00:00 price 72.34 72.34 6.669 66.55 72.34 290.239 
        std  NaN NaN NaN NaN NaN  NaN 
        weight NaN NaN NaN NaN NaN  NaN