在pandas中使用浮点数作为MultiIndex的索引器

Question

我有一个数据表（DataFrame），它的索引是由(p,t)这样的元组组成的，其中p和t都是小数。当我试图通过切片选择某个特定的p值时（用到idx=IndexSlice），我遇到了以下错误：

df.loc[idx[1.5,:]]
/usr/local/lib/python2.7/dist-packages/pandas-0.14.0rc1-py2.7-linux-x86_64.egg/pandas/core/index.py:496:
 FutureWarning: scalar indexers for index type MultiIndex should be integers and not floating point

有没有办法解决这个问题呢？

输入的数据表：

Pump  Time  
10.0  -10.60    0.000005
      -10.59    0.000031
      -10.58    0.000007
      -10.57   -0.000020
      -10.56   -0.000000
      -10.55    0.000005
      -10.54   -0.000013
      -10.53   -0.000049
      -10.52   -0.000031
      -10.51   -0.000041
      -10.50    0.000022
      -10.49   -0.000045
      -10.48   -0.000070
      -10.47   -0.000025
      -10.46    0.000002
...
-0.05  4.05      0.000610
       6.05      0.000443
       8.05      0.000318
       10.05     0.000380
       12.05    -0.000063
       14.05     0.000578
       16.05     0.000236
       18.05     0.000472
       20.05     0.001628
       40.05     0.000243
       60.05     0.000426
       80.05     0.000361
       100.05    0.000693
       120.05    0.000478
       140.05    0.000398
Name: p1Up, Length: 4400, dtype: float64

想要的输出结果：

Pump  Time  
-0.05  4.05      0.000610
       6.05      0.000443
       8.05      0.000318
       10.05     0.000380
       12.05    -0.000063
       14.05     0.000578
       16.05     0.000236
       18.05     0.000472
       20.05     0.001628
       40.05     0.000243
       60.05     0.000426
       80.05     0.000361
       100.05    0.000693
       120.05    0.000478
       140.05    0.000398

运行df.info()时出现：

MultiIndex: 4400 entries, (10.0, -10.6) to (-0.05, 140.05)
Data columns (total 1 columns):
p1Up    4400 non-null float64
dtypes: float64(1)

这个数据表是通过在一个循环中拼接而成的，这个循环遍历了不同的p值：

time = (extracted from a file)
lb = [(p,t) for t in time]
ind = pd.MultiIndex.from_tuples(lb, names=['Pump','Time'])
col = ['p1Up','p1Down']
data = np.concatenate((p1up,p1down),axis=1)
# Build dataframes           
temp = pd.DataFrame(data, index=ind, columns=col)
df = pd.concat([df,temp])    

Answer 1

我不知道这是不是太晚了，或者语法有没有变化，但 df.xs(1.5) 可以做到这一点，而且默认情况下会删除你选择的那个层级。我觉得你甚至不需要对它进行排序。不过它只能获取数据，不能用来设置数据。

Answer 2

在一些测试数据中，这个方法有效。

df.loc[idx[1.5,:], :]

正如在文档中提到的，最好为两个方向都指定索引器，这样可以避免混淆，尽管我不确定这是否是这里的问题。