多列DataFrame中通过布尔索引为指定列赋值

我有一个多级列DataFrame，索引为日期，第一级列是股票代码，第二级列是不同字段X1、X2、Y，数据结构如下：

df
   stock1                stock2                stock3       
   X1     X2     Y       X1     X2     Y       X1    X2     Y
0  True   False  NaN     False  False  NaN     True  False  NaN
1  False  True   NaN     True   False  NaN     True  False  NaN
3  False  False  NaN     True   False  NaN     False True   NaN
4  True   False  NaN     False  True   NaN     True  False  NaN

需求：利用X1和X2的布尔数组为Y赋值，规则是：

• X1为True时，Y设为1
• X2为True时，Y设为-1
• 两者都为False时，保留Y的原有NaN值

我尝试用pd.IndexSlice获取X1和X2的视图，df.loc[:, idx[:, 'X1']]能返回正确的布尔数组，但赋值时遇到问题。比如用以下代码：

df.loc[:, idx[:, 'Y']] = (df.loc[:, idx[:, 'X1']] * 1).values

无法满足需求，因为False值会把Y设为0，而我需要保留NaN。

方法1：嵌套np.where精准匹配条件 #

通过两层np.where依次判断X1、X2的布尔值，最后返回NaN满足“都为False时保留空值”的要求：

import numpy as np
import pandas as pd
idx = pd.IndexSlice

# 提取X1和X2的布尔矩阵
x1_mask = df.loc[:, idx[:, 'X1']]
x2_mask = df.loc[:, idx[:, 'X2']]

# 为Y列赋值
df.loc[:, idx[:, 'Y']] = np.where(x1_mask, 1, np.where(x2_mask, -1, np.nan))

方法2：先计算基础值再替换0为NaN #

利用布尔值转整数的特性，先算出1/-1/0的结果，再把0替换成NaN：

idx = pd.IndexSlice

# X1转1/0，X2转1/0后取负，相加得到1/-1/0的矩阵
y_values = df.loc[:, idx[:, 'X1']].astype(int) - df.loc[:, idx[:, 'X2']].astype(int)
# 将0替换为NaN，匹配需求
y_values = y_values.replace(0, np.nan)
# 赋值给Y列
df.loc[:, idx[:, 'Y']] = y_values.values

方法3：拆解多级列简化操作 #

如果对多级列操作不熟悉，可以先将二级列转为行索引，处理后再恢复原结构：

# 把股票代码（第一级列）转成行索引
df_unstacked = df.unstack(level=0)
# 直接对每行的X1/X2判断赋值Y
df_unstacked['Y'] = np.where(df_unstacked['X1'], 1, np.where(df_unstacked['X2'], -1, np.nan))
# 恢复原多级列结构
df = df_unstacked.stack(level=0).swaplevel(0, 1, axis=1).sort_index(axis=1)

内容的提问来源于stack exchange，提问作者Vekkt