python之如何减去多索引数据框中的列

我有一个像这样的多索引数据框:

import pandas as pd 
import numpy as np 
 
df = pd.DataFrame({'ind1': list('aaaaaaaaabbbbbbbbb'), 
                   'ind2': list('cccdddeeecccdddeee'), 
                   'ind3': list(range(3))*6, 
                   'val1': list(range(100, 118)), 
                   'val2': list(range(70, 88))}) 
 
df_mult = df.set_index(['ind1', 'ind2', 'ind3']) 
 
                val1  val2 
ind1 ind2 ind3             
a    c    0      100    70 
          1      101    71 
          2      102    72 
     d    0      103    73 
          1      104    74 
          2      105    75 
     e    0      106    76 
          1      107    77 
          2      108    78 
b    c    0      109    79 
          1      110    80 
          2      111    81 
     d    0      112    82 
          1      113    83 
          2      114    84 
     e    0      115    85 
          1      116    86 
          2      117    87 

我想做的是减去 df_mult.loc['a', 'e', :] 和 df_mult.loc['b', 'e' , :],分别取自df_mult.loc['a', ['c', 'd'], :]和df_mult.loc['对应的值b', ['c', 'd'], :], 分别。预期的结果是

                val1  val2 
ind1 ind2 ind3             
a    c    0       -6    -6 
          1       -6    -6 
          2       -6    -6 
     d    0       -3    -5 
          1       -3    -5 
          2       -3    -5 
     e    0      106    76 
          1      107    77 
          2      108    78 
b    c    0       -6    -6 
          1       -6    -6 
          2       -6    -6 
     d    0       -3    -3 
          1       -3    -3 
          2       -3    -3 
     e    0      115    85 
          1      116    86 
          2      117    87 

理想情况下，像这样的东西会起作用

df_mult.loc['a', ['c', 'd'], :].subtract(df_mult.loc['a', 'e', :]) 

但这给了我很多NaN。

我该怎么做？

请您参考如下方法:

UPDATE2: kind help of @Divakar :

def repeat_blocks(a, repeats=2, block_length=None): 
    N = a.shape[0] 
    if not block_length: 
        block_length = N//2 
    out = np.repeat(a.reshape(N//block_length,block_length,-1), 
                    repeats, 
                    axis=0) \ 
            .reshape(N*repeats,-1) 
    return out 
 
In [234]: df_mult.loc[idx[['a','b'], ['c', 'd'], :], :] -= repeat_blocks(df_mult.loc[['a','b'], 'e', :].values) 
 
In [235]: df_mult 
Out[235]: 
                val1  val2 
ind1 ind2 ind3 
a    c    0       -6    -6 
          1       -6    -6 
          2       -6    -6 
     d    0       -3    -3 
          1       -3    -3 
          2       -3    -3 
     e    0      106    76 
          1      107    77 
          2      108    78 
b    c    0       -6    -6 
          1       -6    -6 
          2       -6    -6 
     d    0       -3    -3 
          1       -3    -3 
          2       -3    -3 
     e    0      115    85 
          1      116    86 
          2      117    87 

更新:

In [100]: idx = pd.IndexSlice 
 
In [102]: df_mult.loc[idx['a', ['c', 'd'], :], :] -= \ 
              np.concatenate([df_mult.loc['a', 'e', :].values] * 2) 
 
In [103]: df_mult 
Out[103]: 
                val1  val2 
ind1 ind2 ind3 
a    c    0       -6    -6 
          1       -6    -6 
          2       -6    -6 
     d    0       -3    -3 
          1       -3    -3 
          2       -3    -3 
     e    0      106    76 
          1      107    77 
          2      108    78 
b    c    0      109    79 
          1      110    80 
          2      111    81 
     d    0      112    82 
          1      113    83 
          2      114    84 
     e    0      115    85 
          1      116    86 
          2      117    87 

旧(不正确)答案:

In [62]: df_mult.loc['a', 'e', :] -= df_mult.loc['b', 'e', :].values 
 
In [63]: df_mult 
Out[63]: 
                val1  val2 
ind1 ind2 ind3 
a    c    0      100    70 
          1      101    71 
          2      102    72 
     d    0      103    73 
          1      104    74 
          2      105    75 
     e    0       -9    -9 
          1       -9    -9 
          2       -9    -9 
b    c    0      109    79 
          1      110    80 
          2      111    81 
     d    0      112    82 
          1      113    83 
          2      114    84 
     e    0      115    85 
          1      116    86 
          2      117    87