Pandas三级多列索引分组计算两列差值返回全NaN问题求助

首先，你遇到的全NaN问题，是因为在apply里使用xs后，返回的DataFrame索引和原groupby的结构在Pandas 0.21版本中无法正确对齐，导致结果全部为空。其实有更简单高效的方法来实现你的需求，甚至不需要用到groupby：

方法一：直接用xs提取列后相减（最简洁） #

因为你的最底层列固定是L和S，我们可以直接提取所有L列和所有S列，Pandas会自动根据前两级索引完成对齐并计算差值：

net = test_df.xs('L', level='level_3', axis=1) - test_df.xs('S', level='level_3', axis=1)

执行后，net的列索引会保留前两级['level_1', 'level_2']，每一列就是对应组的L-S差值，完全符合你的需求。

方法二：修复groupby的apply逻辑 #

如果你坚持要用groupby实现，可以调整apply里的逻辑，确保返回的是一维Series（而非DataFrame），这样Pandas就能正确重组索引：

net = test_df.groupby(level=['level_1', 'level_2'], axis=1, group_keys=False).apply(
    lambda x: x.iloc[:, 0] - x.iloc[:, 1]
)

这里利用了每组固定只有两列（L在前、S在后）的特点，直接用iloc取第一列减第二列，返回的Series会自动关联到对应的前两级索引，不会出现NaN。

原代码出错原因分析 #

你之前的代码中，x.xs('L', ...)和x.xs('S', ...)返回的都是带有前两级索引的DataFrame，两者相减后得到的仍是同结构的DataFrame，但在Pandas 0.21的groupby.apply机制中，这样的返回值无法与原分组的索引结构正确对齐，最终导致所有值变为NaN。而返回一维Series则能避开这个对齐问题。

内容的提问来源于stack exchange，提问作者FLab