MultiIndex列选择：如何组合不同Sample的指定T值列筛选

问题描述 #

给定一个列是多层索引（MultiIndex）的DataFrame，构造代码如下：

import pandas as pd
import numpy as np

arrays = [['A','A','B','B','C','C'],[1,1,3,3,5,5],[2,2,4,4,6,6],[0.1,0.2,0.3,0.4,0.5,0.6]]
index = pd.MultiIndex.from_arrays(arrays, names=('Sample','P1','P2','T'))
data = np.random.rand(10,6)
df = pd.DataFrame(columns=index, data=data)

需要筛选出Sample为A且T=0.2的列，以及Sample为C且T=0.5的列。单独筛选单个条件的列可以通过slice(None)实现，但直接用元组列表组合筛选会报错。要求不使用pd.concat完成筛选。

可行方案 #

方案1：布尔掩码筛选 #

通过提取列索引的层级值生成布尔条件，再组合筛选：

# 生成两个条件的布尔掩码
cond_a = (df.columns.get_level_values('Sample') == 'A') & (df.columns.get_level_values('T') == 0.2)
cond_c = (df.columns.get_level_values('Sample') == 'C') & (df.columns.get_level_values('T') == 0.5)

# 合并条件并筛选列
filtered_df = df.loc[:, cond_a | cond_c]

方案2：使用pd.IndexSlice组合切片 #

利用pd.IndexSlice（可简写为idx）包装每个筛选规则，再传入列表作为列参数：

idx = pd.IndexSlice

# 直接传入多组切片规则
filtered_df = df.loc[:, [idx['A', :, :, 0.2], idx['C', :, :, 0.5]]]

IndexSlice会自动解析每个切片对应的多索引层级，避免直接使用元组列表导致的索引匹配错误。

内容的提问来源于stack exchange，提问作者germ