如何遍历MultiIndex Pandas DataFrame按指定索引层级归一化

我来帮你搞定这个需求！针对带MultiIndex行索引的Pandas DataFrame，要对每个Thing分组下的Norm1和Norm2列按两者的最大值归一化，完全不用写繁琐的遍历逻辑，用Pandas的分组和广播机制就能高效实现，还能完整保留原有的索引和列名结构。

先明确数据结构（按你的描述还原） #

假设你的DataFrame行索引是Level1+Level2的MultiIndex，列是按Thing分组的：要么是多层列索引（第一层为Thing名称，第二层为Norm1/Norm2），要么是普通列名（格式如ThingX_NormY）。下面分情况给出解决方案：

情况1：列是MultiIndex格式 #

如果你的列是('Thing1', 'Norm1')、('Thing1', 'Norm2')这类多层结构，直接按列的第一层（Thing分组）计算最大值，再广播归一化：

import pandas as pd

# 假设你的DataFrame名为df
# 1. 按列的第一层（Thing）分组，计算每组内Norm1和Norm2的最大值（每行对应一个最大值）
max_per_thing = df.groupby(level=0, axis=1).max()

# 2. 将最大值对齐到原列结构，执行归一化
normalized_df = df / max_per_thing.reindex(df.columns, level=0, axis=1)

情况2：列是普通索引（如Thing1_Norm1） #

如果列名是普通字符串，先提取Thing分组标识，再按分组计算最大值：

import pandas as pd

# 1. 从列名中提取Thing分组（比如拆分下划线取第一部分）
thing_groups = df.columns.str.split('_').str[0]

# 2. 按Thing分组计算每组的最大值
max_per_thing = df.groupby(thing_groups, axis=1).max()

# 3. 对齐列并归一化
normalized_df = df / max_per_thing.reindex(thing_groups, axis=1)

如果需要按行的第二索引层级（Level2）分组处理 #

如果你是要对每个Level2层级内部的每个Thing列做归一化，那就再套一层行分组：

# 按行的第二层级（Level2）分组，对每个组内的数据执行归一化
normalized_df = df.groupby(level=1, axis=0).apply(
    lambda group: group / group.groupby(level=0, axis=1).max().reindex(group.columns, level=0, axis=1)
)

为什么不用遍历？ #

Pandas的矢量化操作比手动遍历快得多，尤其是数据量较大的时候，而且这种方法会自动保留所有原有的索引（包括MultiIndex）和列名结构，完全符合你的需求。

内容的提问来源于stack exchange，提问作者Namey McNamo