Как объединить две панды DataFrames по объекту CategoricalIndex

Question

Пусть dataframe x:

x = pd.DataFrame({'A':[None,None,3,4,5,6,7,8,9,10],'B':[2,4,3,5,1,6,9,0,4,4]},index = range(10,20)) 
bins = [0,3,6,15] 
x['A_level'] = pd.cut(x['A'],bins) 
print x 

, который выглядит как:

 A B A_level 
10 NaN 2 NaN 
11 NaN 4 NaN 
12 3 3 (0, 3] 
13 4 5 (3, 6] 
14 5 1 (3, 6] 
15 6 6 (3, 6] 
16 7 9 (6, 15] 
17 8 0 (6, 15] 
18 9 4 (6, 15] 
19 10 4 (6, 15] 

Тогда суммарная серия y гласит:

y = x[['A_level','B']].groupby('A_level').mean() 
y.columns = ['B_mean'] 
print y 

который выглядит следующим образом:

  B 
A_level  
(0, 3] 3.00 
(3, 6] 4.00 
(6, 15] 4.25 

Мой вопрос в том, как объединить x и y и получить следующий результат?

A B A_level B_mean 
10 NaN 2 NaN NaN 
11 NaN 4 NaN NaN 
12 3 3 (0, 3] 3.00 
13 4 5 (3, 6] 4.00 
14 5 1 (3, 6] 4.00 
15 6 6 (3, 6] 4.00 
16 7 9 (6, 15] 4.25 
17 8 0 (6, 15] 4.25 
18 9 4 (6, 15] 4.25 
19 10 4 (6, 15] 4.25 

Я попытался

x['B_mean'] = y[x['A_level']] 

но он возвращает KeyError.

Следующий код мог бы сделать подобную работу,

z = pd.merge(x,y.reset_index(),how='left',on='A_level') 

, которая возвращает:

A B A_level B_mean 
0 NaN 2  NaN  NaN 
1 NaN 4  NaN  NaN 
2 3 3 (0, 3] 3.00 
3 4 5 (3, 6] 4.00 
4 5 1 (3, 6] 4.00 
5 6 6 (3, 6] 4.00 
6 7 9 (6, 15] 4.25 
7 8 0 (6, 15] 4.25 
8 9 4 (6, 15] 4.25 
9 10 4 (6, 15] 4.25 

но индекс x и z отличается. Я знаю, что это может быть сделано

z.index = x.index 

но мне любопытно, есть ли лучший способ сделать это.

Большое спасибо!

Answer 1

Вы могли бы сделать, как в этом answer, но он почти такой же, как ваше решение:

z = pd.merge(x,y.reset_index(),how='left',on='A_level').set_index(x.index)