的另一种方法来实现这个,而不是填充数据帧df
,是多索引添加到原始阵列(df_a
和df_b
),然后它们串联(见下文)。
原因df
未被填充是因为熊猫根据索引进行数据对齐。当分配df.ix["a"]
与另一个数据帧时,它会填充索引匹配的值。为了说明这一点:
>>> df = pd.DataFrame(randn(3, 2), columns=["x", "y"], index=range(3))
>>> df2 = pd.DataFrame(zeros((1, 2)), columns=["x", "y"], index=range(2,3))
>>> df
x y
0 -0.995116 0.132438
1 -0.023010 -0.211612
2 -0.053206 0.427369
>>> df2
x y
2 0 0
>>> df.ix[:] = df2
>>> df
x y
0 NaN NaN
1 NaN NaN
2 0 0
在分配numpy的阵列(或列表,...),没有指数匹配,所以它只是填充数据帧(也播出在这种情况下):
>>> df.ix[:] = df2.values
>>> df
x y
0 0 0
1 0 0
2 0 0
所以,你的情况,当你尝试分配df_a
到df.ix['a']
,指数不匹配(多指标与正常指数),并没有被分配(或更精确:充满NaN的)。但是,当你第一次转换df_a
也有同样多指标,它的工作:
>>> df_a = pd.DataFrame(randn(3, 2), columns=["x", "y"], index=range(3))
>>> df_b = pd.DataFrame(randn(3, 2), columns=["x", "y"], index=range(3))
>>>
>>> tuples = list(itertools.product(["a", "b"], range(3)))
>>> df = pd.DataFrame(columns=["x", "y"], index=pd.MultiIndex.from_tuples(tuples))
>>>
>>> df_a.index = pd.MultiIndex.from_tuples([tuple(('a', i)) for i in df_a.index])
>>>
>>> df.ix["a"] = df_a
>>> df
x y
a 0 1.533881 1.276075
1 -0.5143746 -0.3400633
2 -1.071509 1.831282
b 0 NaN NaN
1 NaN NaN
2 NaN NaN
或如上所述,使用numpy的数组时(在.values
属性返回的数据作为numpy的阵列),但它也行:
>>> df.ix["b"] = df_b.values
>>> df
x y
a 0 1.533881 1.276075
1 -0.5143746 -0.3400633
2 -1.071509 1.831282
b 0 0.06535034 -0.6276186
1 0.008100781 0.9512881
2 0.08688541 -0.7101486
但我认为,另一种方式来实现这一目标,而不是填充数据帧df
,是多索引添加到原数组,然后连接它们:
要将其转化为多指标,你可以做这样的:
>>> df_a['df'] = 'a'
>>> df_b['df'] = 'b'
>>>
>>> df_a = df_a.set_index('df', append=True)
>>> df_b = df_b.set_index('df', append=True)
或像这样:
>>> df_a.index = pd.MultiIndex.from_tuples([tuple(('a', i)) for i in df_a.index])
>>> df_b.index = pd.MultiIndex.from_tuples([tuple(('b', i)) for i in df_b.index])
,然后你可以将它们连接起来:
>>> df = pd.concat([df_a, df_b])
>>> df
x y
df
0 a -0.225156 -0.846229
1 a 1.566139 0.892763
2 a -1.291920 -0.517408
0 b 1.464853 0.792709
1 b -1.307375 -0.360373
2 b 0.467406 1.249325
>>>
>>> df.swaplevel(0,1)
x y
df
a 0 -0.225156 -0.846229
1 1.566139 0.892763
2 -1.291920 -0.517408
b 0 1.464853 0.792709
1 -1.307375 -0.360373
2 0.467406 1.249325