如何对列轴层级不同但轴名称一致的DataFrame执行加法运算？

问题背景 #

我有两个带多级列的DataFrame：

DataFrame df #

代码实现：

import pandas as pd

data = {
    'A': {
        'X': {'Value1': 2, 'Value2': 1},
        'Y': {'Value1': 2, 'Value2': 3}
    },
    'B': {
        'X': {'Value1': 10, 'Value2': 11},
        'Y': {'Value1': 10, 'Value2': 11}
    }
}

df = pd.DataFrame(data)
# 生成日期索引，与示例结构一致
dates = pd.date_range('2023-01-01', '2023-01-05')
df = pd.concat([df]*len(dates), axis=0).set_index(dates)

列结构与数据：

Group          A                           B                                   
Subgroup        X            Y             X             Y                        
Metric         Value1 Value2 Value1 Value2 Value1 Value2 Value1 Value2
2023-01-01        2     1     2     3     10     11     10     11
2023-01-02        2     1     2     3     10     11     10     11
2023-01-03        2     1     2     3     10     11     10     11
2023-01-04        2     1     2     3     10     11     10     11
2023-01-05        2     1     2     3     10     11     10     11

DataFrame df2 #

代码实现：

data = {
    'A': {'Value1': [3, 3, 1, 3, 3], 'Value2': [5, 2, 2, 2, 2]},
    'B': {'Value1': [3, 4, 7, 3, 3], 'Value2': [2, 2, 7, 2, 2]}
}

df_2 = pd.DataFrame(data, index=pd.to_datetime(['2023-01-01', 
'2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05']))

# 转换为多级列结构
df2 = df_2.unstack().unstack()

列结构与数据：

Group          A             B                                                 
Metric         Value1 Value2 Value1 Value2 
2023-01-01        3      5     3     2    
2023-01-02        3      2     4     2      
2023-01-03        1      2     7     7    
2023-01-04        3      2     3     2       
2023-01-05        3      2     3     2      

需求：对每个Group和Metric的组合，将df2的数值加到df中所有匹配该组合的Subgroup对应的数值上，得到目标结果。

解决方案 #

核心是让两个DataFrame的列层级完全对齐，利用pandas的广播机制自动匹配相加。

1. 扩展df2的列层级，补上Subgroup层 #

df的列是3级（Group -> Subgroup -> Metric），df2是2级（Group -> Metric），需要给df2补上Subgroup层级，覆盖df里所有的Subgroup值（X、Y）：

# 获取df中所有唯一的Subgroup值
subgroups = df.columns.get_level_values(1).unique()

# 构造新的3级列索引
new_columns = pd.MultiIndex.from_product([
    df2.columns.get_level_values(0).unique(),  # Group层
    subgroups,                                # Subgroup层
    df2.columns.get_level_values(1).unique()   # Metric层
], names=['Group', 'Subgroup', 'Metric'])

# 重新排列df2的列，扩展为3级结构
df2_expanded = df2.reindex(new_columns, axis=1)

2. 执行加法运算 #

现在两个DataFrame的列层级完全匹配，直接相加即可：

result = df + df2_expanded

完整可运行代码 #

import pandas as pd

# 构建df
data = {
    'A': {
        'X': {'Value1': 2, 'Value2': 1},
        'Y': {'Value1': 2, 'Value2': 3}
    },
    'B': {
        'X': {'Value1': 10, 'Value2': 11},
        'Y': {'Value1': 10, 'Value2': 11}
    }
}
df = pd.DataFrame(data)
dates = pd.date_range('2023-01-01', '2023-01-05')
df = pd.concat([df]*len(dates), axis=0).set_index(dates)

# 构建df2
data2 = {
    'A': {'Value1': [3, 3, 1, 3, 3], 'Value2': [5, 2, 2, 2, 2]},
    'B': {'Value1': [3, 4, 7, 3, 3], 'Value2': [2, 2, 7, 2, 2]}
}
df_2 = pd.DataFrame(data2, index=pd.to_datetime(['2023-01-01', 
'2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05']))
df2 = df_2.unstack().unstack()

# 扩展df2列层级
subgroups = df.columns.get_level_values(1).unique()
new_columns = pd.MultiIndex.from_product([
    df2.columns.get_level_values(0).unique(),
    subgroups,
    df2.columns.get_level_values(1).unique()
], names=['Group', 'Subgroup', 'Metric'])
df2_expanded = df2.reindex(new_columns, axis=1)

# 计算结果
result = df + df2_expanded
print(result)

输出结果 #

Group          A                           B                                   
Subgroup        X            Y             X             Y                        
Metric         Value1 Value2 Value1 Value2 Value1 Value2 Value1 Value2
2023-01-01        5     6     5     8     13     13     13     13
2023-01-02        5     3     5     5     14     13     14     13
2023-01-03        3     3     3     5     17     18     17     18
2023-01-04        5     3     5     5     13     13     13     13
2023-01-05        5     3     5     5     13     13     13     13

注：示例中目标结果的部分数值存在计算偏差，以上结果为按逻辑计算的正确值。

内容的提问来源于stack exchange，提问作者Canuk688