熊猫在特定级别向多索引添加行

Question

我正在尝试为数据帧上的以下转换获得合理的性能解决方案：

给定这个数据框：

生产：

即将多索引的分组级别填充到标准化长度（行数）

是否有一种相当快速的方法可以在较大的多索引数据帧（〜几千列和〜百万行）上执行此操作？

这是给定的数据框字典以供快速参考：

d = {'region': {0: 'intro',

  1: 'intro',

  2: 'intro',

  3: 'mid',

  4: 'mid',

  5: 'start',

  6: 'start',

  7: 'start',

  8: 'title',

  9: 'title'},

 'feat_index': {0: 9, 1: 3, 2: 0, 3: 7, 4: 8, 5: 2, 6: 4, 7: 1, 8: 6, 9: 5},

 'position_in_region': {0: 422,

  1: 5834,

  2: 8813,

  3: 3187,

  4: 9407,

  5: 997,

  6: 3154,

  7: 8416,

  8: 5408,

  9: 8421},

 'document_0': {0: 0.39,

  1: 0.79,

  2: 0.01,

  3: 0.55,

  4: 0.99,

  5: 0.67,

  6: 0.61,

  7: 0.84,

  8: 0.15,

  9: 0.23},

 'document_1': {0: 0.8,

  1: 0.06,

  2: 0.92,

  3: 0.74,

  4: 0.06,

  5: 0.96,

  6: 0.57,

  7: 0.19,

  8: 0.29,

  9: 0.24},

 'document_2': {0: 0.81,

  1: 0.15,

  2: 0.19,

  3: 0.17,

  4: 0.11,

  5: 0.34,

  6: 0.8,

  7: 0.03,

  8: 0.67,

  9: 0.46}}

df = pd.DataFrame(d).set_index(['region', 'feat_index', 'position_in_region'])

Answer 1

您可以使用merge左加入由创建辅助数据框与numpy.repeat和numpy.tile：#get number of new rows by Counter.most_common(1)from collections import Counterno_vals = Counter(df.index.labels[0]).most_common(1)[0][1]print(no_vals)3df1 = pd.DataFrame({'region':np.repeat(df.index.levels[0], no_vals),                    'id':    np.tile(np.arange(no_vals), len(np.unique(df.index.labels[0])))})print (df1)   region  id0   intro   01   intro   12   intro   23     mid   04     mid   15     mid   26   start   07   start   18   start   29   title   010  title   111  title   2#MultiIndex to columnsdf = df.reset_index()#new could with counter of regionsdf.insert(1, 'id', df.groupby('region').cumcount())#merge, remove helper id columns and create MultiIndexdf = (df1.merge(df, how='left')         .drop('id', 1)         .set_index(['region', 'feat_index', 'position_in_region']))print (df)                                      document_0  document_1  document_2region feat_index position_in_region                                    intro  9.0        422.0                     0.39        0.80        0.81       3.0        5834.0                    0.79        0.06        0.15       0.0        8813.0                    0.01        0.92        0.19mid    7.0        3187.0                    0.55        0.74        0.17       8.0        9407.0                    0.99        0.06        0.11       NaN        NaN                        NaN         NaN         NaNstart  2.0        997.0                     0.67        0.96        0.34       4.0        3154.0                    0.61        0.57        0.80       1.0        8416.0                    0.84        0.19        0.03title  6.0        5408.0                    0.15        0.29        0.67       5.0        8421.0                    0.23        0.24        0.46       NaN        NaN                        NaN         NaN         NaN另一个解决方案DataFrame.reindexand MultiIndex.from_product：from collections import Counterno_vals = Counter(df.index.labels[0]).most_common(1)[0][1]print(no_vals)3mux = pd.MultiIndex.from_product([df.index.levels[0],                                  np.arange(no_vals)], names=['region','id'])print (mux)MultiIndex(levels=[['intro', 'mid', 'start', 'title'], [0, 1, 2]],           codes=[[0, 0, 0, 1, 1, 1, 2, 2, 2, 3, 3, 3],                   [0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2]],           names=['region', 'id'])df = df.reset_index(level=[1, 2]).set_index(df.groupby(level=0).cumcount(), append=True)df = (df.reindex(mux).reset_index(level=1, drop=True)        .set_index(['feat_index', 'position_in_region'], append=True))print (df)                                      document_0  document_1  document_2region feat_index position_in_region                                    intro  9.0        422.0                     0.39        0.80        0.81       3.0        5834.0                    0.79        0.06        0.15       0.0        8813.0                    0.01        0.92        0.19mid    7.0        3187.0                    0.55        0.74        0.17       8.0        9407.0                    0.99        0.06        0.11       NaN        NaN                        NaN         NaN         NaNstart  2.0        997.0                     0.67        0.96        0.34       4.0        3154.0                    0.61        0.57        0.80       1.0        8416.0                    0.84        0.19        0.03title  6.0        5408.0                    0.15        0.29        0.67       5.0        8421.0                    0.23        0.24        0.46       NaN        NaN                        NaN         NaN         NaN