如何基于Pandas Multi-Index层级间条件过滤Pandas Series？——以鸢尾花数据集Column Correlation计算结果为例

针对你提到的过滤掉特征与自身相关性的需求，这里有两种通用的方法来处理Pandas的Multi-Index Series：

方法一：利用get_level_values比较层级值 #

这是最直接的方式，通过获取Multi-Index中两个层级的值，筛选出两者不相等的条目：

from sklearn.datasets import load_iris
import pandas as pd

# 加载数据并生成相关系数的Multi-Index Series
data = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
corr_series = df.corr().unstack()

# 过滤掉自身相关的行
filtered_corr = corr_series[corr_series.index.get_level_values(0) != corr_series.index.get_level_values(1)]

get_level_values(0)会提取Multi-Index的第一个层级（比如每个元组里的第一个特征名），get_level_values(1)提取第二个层级，通过!=判断就能排除掉特征和自身配对的行。

方法二：用map遍历索引元组 #

如果觉得层级索引的编号不够直观，也可以直接遍历每个索引元组，判断两个元素是否不同：

filtered_corr = corr_series[lambda x: x.index.map(lambda idx: idx[0] != idx[1])]

这里的idx就是Multi-Index中的每个元组（比如('sepal length (cm)', 'sepal width (cm)')），直接对比元组的两个元素就能完成筛选，逻辑更易懂。

额外扩展：去除重复配对（可选） #

如果你的场景中不需要保留(A,B)和(B,A)这种重复的相关系数对，可以进一步用字符串比较来筛选唯一配对：

filtered_unique_corr = corr_series[corr_series.index.get_level_values(0) < corr_series.index.get_level_values(1)]

这样只会保留第一个特征名字符串小于第二个的配对，避免重复计算。

内容的提问来源于stack exchange，提问作者Newbi-Boy