Pandas多索引DataFrame无法用loc插入行的替代方案咨询

首先，咱们先把你的原始DataFrame重现出来，方便理解场景：

import pandas as pd
import numpy as np

# 构建你提到的多索引DataFrame
df = pd.DataFrame.from_dict({
    (4.0, 'Net Sales'): {
        ('details', pd.Timestamp('2020-04-01 00:00:00'), 'Apr_FY21'): 1000,
        ('details', pd.Timestamp('2020-05-01 00:00:00'), 'May_FY21'): 1000,
        ('details', pd.Timestamp('2020-06-01 00:00:00'), 'Jun_FY21'): 1000
    },
    (5.0, 'Margin'): {
        ('details', pd.Timestamp('2020-04-01 00:00:00'), 'Apr_FY21'): 20,
        ('details', pd.Timestamp('2020-05-01 00:00:00'), 'May_FY21'): 15,
        ('details', pd.Timestamp('2020-06-01 00:00:00'), 'Jun_FY21'): 10
    }
}).T

你遇到的KeyError，核心原因是Pandas新版本（1.0+之后）收紧了.loc的索引规则，不再允许传递包含缺失标签的类列表对象来赋值新行。另外你的原代码里还有个小拼写错误（(5,'Margin)')多了个闭合括号），不过咱们重点看替代方案。

下面给你几种可行的解决方法：

方案一：用pd.concat拼接新行（推荐，适配新版本） #

这种方法逻辑清晰，先单独计算出Margin%的结果，给它设置好对应的多索引，再和原DataFrame拼接：

# 计算Margin%的数值：Margin除以Net Sales再乘以100
margin_pct_values = (df.loc[(5.0, 'Margin')] / df.loc[(4.0, 'Net Sales')]) * 100

# 为新行创建匹配的多索引
margin_pct_series = margin_pct_values.to_frame().T
margin_pct_series.index = pd.MultiIndex.from_tuples(
    [(5.1, 'Margin %')],
    names=df.index.names
)

# 拼接原DataFrame和新行
df_updated = pd.concat([df, margin_pct_series])

方案二：重置索引后添加行（更直观） #

如果觉得多索引操作有点绕，可以先把索引转成普通列，添加完新行再重新设置多索引：

# 把多索引转成普通列
df_reset = df.reset_index()

# 动态计算新行的数值
new_row_values = (df.loc[(5.0, 'Margin')] / df.loc[(4.0, 'Net Sales')]) * 100

# 构造新行的完整数据
new_row = pd.Series({
    'level_0': 5.1,
    'level_1': 'Margin %'
}).append(new_row_values)

# 添加新行到重置后的DataFrame
df_reset = pd.concat([df_reset, new_row.to_frame().T], ignore_index=True)

# 重新设置多索引
df_updated = df_reset.set_index(['level_0', 'level_1'])

方案三：用append（仅适合Pandas 2.0以下版本） #

如果你的Pandas版本还比较旧（2.0之前），可以直接用append方法，不过这个方法已经被官方弃用了，不推荐长期使用：

# 构造带多索引名称的Series
margin_pct_series = pd.Series(
    (df.loc[(5.0, 'Margin')] / df.loc[(4.0, 'Net Sales')]) * 100,
    name=(5.1, 'Margin %')
)

# 添加到原DataFrame
df_updated = df.append(margin_pct_series)

执行完任意一种方案后，你都会得到包含(5.1, 'Margin %')行的DataFrame，对应的数值分别是2.0、1.5、1.0，完全符合你的计算逻辑。

内容的提问来源于stack exchange，提问作者Ankit Goel