如何从Pandas多级索引DataFrame中获取含对应索引的最大值？

嘿，这问题我之前也碰到过，其实核心就是找到最大值所在的完整行，这样就能同时拿到多级索引和tOfmAJyI列的值了！我给你几种实用的方法，你可以根据自己的场景选：

方法1：用idxmax()定位索引，再用loc提取行 #

这是最直接的方式，先找到每个组内最大值对应的索引，再通过索引取出整行数据：

# 假设你的多级索引DF叫df，要找的最大值列是'value'（替换成你实际的列名）
# 1. 获取每个组内最大值对应的多级索引
max_row_indices = df.groupby(level=0)['value'].idxmax()  # level=0对应第一级索引，按需调整层级

# 2. 通过loc提取这些索引对应的整行，就能拿到tOfmAJyI和所有索引值
result_df = df.loc[max_row_indices]

如果你的多级索引有多个层级（比如2级），也可以指定具体层级名称，比如groupby(level='your_index_name')，逻辑更清晰。

方法2：用groupby+apply直接返回每组最大值行 #

这种方法适合需要保留所有最大值行的场景（比如组内有多个相同的最大值）：

def get_max_rows(group):
    max_val = group['value'].max()
    return group[group['value'] == max_val]

result_df = df.groupby(level=0).apply(get_max_rows).reset_index(level=0, drop=True)

这里的reset_index是为了去掉groupby后新增的层级，让结果的索引结构和原DF保持一致。

方法3：用transform生成掩码筛选行 #

如果想避免apply（大数据量下效率稍低），可以用transform生成每个行对应的组内最大值，再筛选匹配的行：

# 生成每个行所在组的最大值
group_max = df.groupby(level=0)['value'].transform('max')

# 筛选出value等于组内最大值的行
result_df = df[df['value'] == group_max]

举个实际例子 #

假设你的DF长这样：

import pandas as pd

data = {
    'category': ['X', 'X', 'Y', 'Y'],
    'sub_cat': ['A', 'B', 'A', 'B'],
    'tOfmAJyI': ['foo', 'bar', 'baz', 'qux'],
    'score': [85, 92, 78, 92]
}
df = pd.DataFrame(data).set_index(['category', 'sub_cat'])

用方法1执行后，result_df会是：

完美包含了你需要的多级索引、tOfmAJyI列和最大值！

内容的提问来源于stack exchange，提问作者Ramon Ankersmit