如何利用Pandas中列的值作为指针在多层索引中查找对应值

我明白你现在卡在哪了——在多层索引的DataFrame里，想用列A存的i3值当「指针」，去揪出同组（i1、i2不变）下对应i3行的B2值，之前用merge的方法没得到想要的结果对吧？咱们来搞定这个问题。

问题核心分析 #

你的需求本质是在(i1,i2)的分组范围内，用A列的i3值匹配同组内的i3索引，提取对应B2值。之前的merge方式可能没限制查找范围（容易跨组匹配），或者索引处理逻辑没贴合「分组内查找」的需求，所以才会出现不符合预期的结果。

最优解决方案：分组内映射匹配 #

直接按(i1,i2)分组，在每个组内构建i3到B2的映射关系，再用A列去匹配这个映射，就能精准得到想要的结果。

完整代码实现

import pandas as pd
import numpy as np
np.random.seed(2)

# 生成你提供的测试数据集
range1 = range(1, 4) 
range2 = range(10, 13) 
range3 = range(100, 104)  
multi_index = pd.MultiIndex.from_product([range1, range2, range3], names=['i1', 'i2', 'i3'])

df = pd.DataFrame(index=multi_index, data={'A': np.random.randint(100, 104, size=len(multi_index)),
                                           'B1': np.random.randint(1, 3, size=len(multi_index)),
                                           'B2': np.random.randint(1, 3, size=len(multi_index)),
                                           'c1': np.random.randint(1, 3, size=len(multi_index))})

df = df[df.index.get_level_values("i3")!=df["A"]].head(10).copy()

# 核心解决逻辑：分组内构建映射并匹配
def lookup_b2_in_group(group):
    # 把当前分组的i3作为键，B2作为值，构建映射Series
    b2_mapping = group.set_index('i3')['B2']
    # 用A列的值去匹配映射，自动返回对应B2值，无匹配则为NaN
    group['b2_wanted'] = group['A'].map(b2_mapping)
    return group

# 按i1和i2分组，每组独立执行查找
df_result = df.groupby(level=['i1', 'i2']).apply(lookup_b2_in_group)

# 查看最终结果
print(df_result)

代码逻辑拆解

1. 分组控制范围：用groupby(level=['i1','i2'])把数据拆成一个个小分组，每个分组内的i1和i2是固定的，这样查找只会在同组内进行，不会跨组乱匹配。
2. 构建组内映射：在每个分组里，把i3设为索引、提取B2列，得到一个「i3值→B2值」的映射关系（类似字典）。
3. 指针匹配取值：用当前组的A列去map这个映射，A列里的每个i3值会自动找到对应B2值，找不到就返回NaN，完全符合你的预期。

简化写法（一行完成匹配）

如果不想写自定义函数，也可以用lambda简化成一行：

df['b2_wanted'] = df.groupby(level=['i1', 'i2']).apply(
    lambda g: g['A'].map(g.set_index('i3')['B2'])
).reset_index(level=[0,1], drop=True)

对比之前merge方法的优势 #

之前的merge是基于整个DataFrame的索引做连接，没法精准限制在(i1,i2)分组内查找，容易出现跨组匹配或者匹配不到的情况。而这种分组映射的方式，完全贴合你的「同组内指针查找」需求，逻辑更清晰，结果也更准确。

备注：内容来源于stack exchange，提问作者mother brain