如何无需iteritems迭代，用布尔DataFrame为多层索引DataFrame赋值？

我有一个带MultiIndex（多层索引）的DataFrame df，以及一个无多层索引的布尔型DataFrame sdf，希望用sdf作为预筛选掩码为df赋值。当前用iteritems迭代实现了需求，想知道能不能不通过迭代完成？

原实现代码 #

import pandas as pd

mi = pd.MultiIndex.from_product([['A', 'B'], [1, 2]]) 
df = pd.DataFrame([[0, 1, 2, 3], [1, 2, 3, 4]], columns=mi, index=[0, 1]) 
print(df) 
sdf = pd.DataFrame([[True, False], [False, True]], columns=['A', 'B']) 
print(sdf)
for name, value in sdf.iteritems():
        df.loc[value, name] = 10
print(df)

原代码输出 #

A     B   
   1  2  1  2
0  0  1  2  3
1  1  2  3  4

       A      B
0   True  False
1  False   True

    A       B    
    1   2   1   2
0  10  10   2   3
1   1   2  10  10

无需迭代的实现方法 #

可以利用Pandas的索引对齐特性，将sdf扩展为与df列结构完全匹配的布尔掩码，直接完成赋值操作，无需循环：

方法一：通过reindex对齐多层索引 #

利用reindex的level参数，将sdf的列按df的第一层索引对齐，自动扩展出对应第二层索引的列，生成与df形状一致的掩码：

import pandas as pd

mi = pd.MultiIndex.from_product([['A', 'B'], [1, 2]]) 
df = pd.DataFrame([[0, 1, 2, 3], [1, 2, 3, 4]], columns=mi, index=[0, 1]) 
sdf = pd.DataFrame([[True, False], [False, True]], columns=['A', 'B']) 

# 构造与df列结构匹配的布尔掩码
mask = sdf.reindex(df.columns, level=0, axis=1)
# 赋值
df[mask] = 10

print(df)

方法二：通过广播扩展维度 #

将sdf的二维数组扩展为与df形状一致的三维数组，再重塑为二维掩码：

import pandas as pd

mi = pd.MultiIndex.from_product([['A', 'B'], [1, 2]]) 
df = pd.DataFrame([[0, 1, 2, 3], [1, 2, 3, 4]], columns=mi, index=[0, 1]) 
sdf = pd.DataFrame([[True, False], [False, True]], columns=['A', 'B']) 

# 计算第二层索引的唯一值数量
level1_count = df.columns.get_level_values(1).nunique()
# 广播扩展并重塑为与df匹配的形状
mask = sdf.values[:, :, None].repeat(level1_count, axis=2).reshape(df.shape)
# 赋值
df[mask] = 10

print(df)

两种方法都能得到和原迭代代码完全一致的输出：

A       B    
    1   2   1   2
0  10  10   2   3
1   1   2  10  10

内容的提问来源于stack exchange，提问作者Chachni