6 min de leitura

Pandas #15 - MultiIndex: Índices Hierárquicos

Como criar um índice hierárquico (MultiIndex) com from_arrays() e from_tuples(), selecionar dados em múltiplos níveis com .loc e reordenar níveis com swaplevel().

Pandas #15 - MultiIndex: Índices Hierárquicos

No post anterior, stack() transformou um DataFrame comum numa Series com um índice de dois níveis — mês e produto, um dentro do outro. Isso não foi um efeito colateral estranho: é um MultiIndex, uma estrutura que o Pandas usa o tempo todo pra representar dados com mais de uma dimensão de agrupamento, e que já apareceu antes na série, sem nome, como resultado de um groupby() por múltiplas colunas. Neste post você vai conhecer o MultiIndex de propósito: como criá-lo, indexar com ele e reorganizar seus níveis.

Criando um MultiIndex

O jeito mais direto de criar um MultiIndex é a partir de listas de rótulos, usando MultiIndex.from_arrays().

Exemplo 1 - criando um MultiIndex com from_arrays()

import pandas as pd

regioes = ["Sul", "Sul", "Sudeste", "Sudeste"]
produtos = ["notebook", "mouse", "notebook", "mouse"]

indice = pd.MultiIndex.from_arrays([regioes, produtos], names=["regiao", "produto"])
vendas = pd.Series([16000, 2670, 38400, 3300], index=indice)

print(vendas)

A saída é:

regiao   produto
Sul      notebook    16000
         mouse        2670
Sudeste  notebook    38400
         mouse        3300
dtype: int64

Repare que os rótulos do primeiro nível (regiao) não se repetem visualmente nas linhas seguintes que compartilham o mesmo valor — é só uma questão de exibição, o índice de cada linha continua sendo a tupla completa (("Sul", "notebook"), por exemplo).

Também dá pra montar um MultiIndex a partir de uma lista de tuplas prontas, com from_tuples():

tuplas = [("Sul", "notebook"), ("Sul", "mouse"), ("Sudeste", "notebook")]
indice2 = pd.MultiIndex.from_tuples(tuplas, names=["regiao", "produto"])

Selecionando dados com .loc em múltiplos níveis

Com um MultiIndex, .loc aceita tanto um rótulo de nível único (retornando tudo que está “dentro” dele) quanto uma tupla completa (retornando um valor específico).

Exemplo 2 - selecionando por nível único

print(vendas.loc["Sul"])

produto
notebook    16000
mouse        2670
dtype: int64

Passar só "Sul" devolve uma Series com o segundo nível (produto) como índice, já filtrada pra essa região.

Exemplo 3 - selecionando com uma tupla

print(vendas.loc[("Sul", "mouse")])

2670

Uma tupla completa aponta pra uma combinação específica dos dois níveis, devolvendo o valor escalar correspondente.

Nota: o mesmo .loc que você já usa em índices simples funciona aqui — a diferença é só que, com MultiIndex, ele aceita tanto um rótulo “parcial” (um nível) quanto uma tupla completa (todos os níveis), com comportamentos diferentes pra cada caso.

Reordenando níveis com swaplevel()

Às vezes faz mais sentido ler o índice na ordem inversa — produto primeiro, região depois. swaplevel() troca a posição de dois níveis sem alterar os dados.

Exemplo 4 - trocando a ordem dos níveis

print(vendas.swaplevel().sort_index())

produto   regiao
mouse     Sudeste     3300
          Sul         2670
notebook  Sudeste    38400
          Sul        16000
dtype: int64

Repare que swaplevel() só troca a posição dos níveis — o sort_index() logo depois é o que reordena as linhas de fato pra ficarem agrupadas pelo novo primeiro nível (produto). Sem o sort_index(), os dados continuariam na ordem original, só com os rótulos de nível invertidos.

Um MultiIndex também aceita ordenar por um nível específico, em vez de todos:

print(vendas.sort_index(level="produto"))

Isso ordena as linhas priorizando o nível produto, mesmo ele sendo o segundo nível do índice.

Um DataFrame com MultiIndex de verdade

Até aqui os exemplos usaram uma Series, mas o mesmo MultiIndex funciona igual num DataFrame — inclusive dá pra criar índices combinando todas as combinações possíveis de duas listas com from_product(), sem precisar repetir os rótulos manualmente.

Exemplo 5 - MultiIndex com from_product()

indice_completo = pd.MultiIndex.from_product(
    [["Sul", "Sudeste"], ["notebook", "mouse"]],
    names=["regiao", "produto"]
)

df_vendas = pd.DataFrame({"unidades": [5, 30, 12, 22]}, index=indice_completo)
print(df_vendas)

                  unidades
regiao  produto
Sul     notebook         5
        mouse           30
Sudeste notebook        12
        mouse           22

from_product() gera automaticamente as quatro combinações entre as duas regiões e os dois produtos — bem mais prático que listar cada tupla na mão quando o número de combinações cresce.

Nota: pra selecionar um valor de um nível que não é o primeiro (por exemplo, só as linhas de produto == "mouse", de qualquer região), .loc sozinho fica menos direto — o método .xs("mouse", level="produto") resolve isso, buscando uma “fatia” cruzada por qualquer nível do índice, não só o mais externo.

Se em algum momento você quiser voltar os níveis do índice pra colunas normais, reset_index() faz exatamente isso:

print(df_vendas.reset_index())

    regiao   produto  unidades
0      Sul  notebook         5
1      Sul     mouse        30
2  Sudeste  notebook        12
3  Sudeste     mouse        22

Com MultiIndex.from_arrays(), seleção por nível ou por tupla, e swaplevel(), você já consegue trabalhar com índices hierárquicos sem se perder neles — a mesma estrutura que aparece nos bastidores de um groupby() com várias colunas ou de um stack(). O próximo post volta a um problema diferente: como combinar dados que vêm de tabelas completamente separadas, com merge(), join() e concat().

Fonte adaptada: Pandas - Basics of MultiIndex, Pandas - Indexing with MultiIndex, Pandas - Sorting a MultiIndex