многоуровневые колонки устанавливают как индекс в pivot_table

Question

У меня есть кадр данных (DF) с несколькими заголовками столбцов:
enter image description here

yearQ YearC  YearS   Type1     Type2 
index City  State Year1 Year2 Year3 Year4 Year5 Year6 
0  New York  NY  355  189  115  234  178  422 
1  Los Angeles CA  100  207  298  230  214  166 
2  Chicago  IL  1360 300  211  121  355  435 
3  Philadelphia PA  270  156  455  232  532  355 
4  Phoenix  AZ  270  234  112  432  344  116 

Я хочу подсчитать среднее число для каждого типа. окончательный формат должен быть следующим:

City  State Type1     Type2 
New York NY  avg of(355+189+115) avg of (234+178+422) 
....... 

Может ли кто-нибудь дать мне подсказку? Большое спасибо. Ката

Answer 1

Я думаю, что вы можете использовать groupby на первом уровне Multindex в колонках с совокупным sum:

print (df.index) 
MultiIndex(levels=[[0, 1, 2, 3, 4], 
        ['Chicago', 'Los Angeles', 'New York', 'Philadelphia', 'Phoenix'], 
        ['AZ', 'CA', 'IL', 'NY', 'PA']], 
      labels=[[0, 1, 2, 3, 4], [2, 1, 0, 3, 4], [3, 1, 2, 4, 0]]) 

print (df.columns) 
MultiIndex(levels=[['Type1', 'Type2'], 
        ['Year1', 'Year2', 'Year3', 'Year4', 'Year5', 'Year6']], 
      labels=[[0, 0, 0, 1, 1, 1], [0, 1, 2, 3, 4, 5]], 
      names=['YearQ', 'index']) 


df = df.groupby(axis=1, level=0).sum() 
print (df) 
YearQ    Type1 Type2 
0 New York  NY 659 834 
1 Los Angeles CA 605 610 
2 Chicago  IL 1871 911 
3 Philadelphia PA 881 1119 
4 Phoenix  AZ 616 892 

Но, может быть, прежде чем необходимо set_index:

print (df.index) 
Int64Index([0, 1, 2, 3, 4], dtype='int64') 

print (df.columns) 
MultiIndex(levels=[['Type1', 'Type2', 'YearC', 'YearS'], 
        ['City', 'State', 'Year1', 'Year2', 'Year3', 'Year4', 'Year5', 'Year6']], 
      labels=[[2, 3, 0, 0, 0, 1, 1, 1], [0, 1, 2, 3, 4, 5, 6, 7]], 
      names=['YearQ', 'index']) 


df = df.set_index([('YearC','City'), ('YearS','State')]) 
df = df.groupby(axis=1, level=0).sum() 
print (df) 
YearQ       Type1 Type2 
(YearC, City) (YearS, State)    
New York  NY    659 834 
Los Angeles CA    605 610 
Chicago  IL    1871 911 
Philadelphia PA    881 1119 
Phoenix  AZ    616 892