我有一个df：
dates p1 p2 p3 p4
2019-12-01 0.4 0.4 0.4 0.3
2019-12-02 0.41 0.3 0.3 0.3
还有一个常量 df，如下所示：
v1 v2 v3
0 43 0.680068 680.068
1 210 0.319932 319.932
2 211 0.319932 319.932
我想将第一个 df 中的每个元素乘以v3的每个值，并创建一个将 v1 作为顶级索引的多索引 - 如下所示：
43 210 ...
dates p1 p2 p3 p4 ... p1 ...
2019-12-01 0.4 * 680.068 0.4* v3 0.4 * v3 0.3 * v3 ... 0.3 * 319.932
2019-12-02 0.41 * v3 0.3 * v3 0.3 * v3 0.3 * v3 ... ... ...
因此，这将导致 1 个 df 具有 3 个顶级索引(43、210、211(，然后到较低级别将是 3 个具有逐个元素乘法的 dfs
这是您上一个问题的简单扩展。我仍然假设dates用作初始数据帧的索引，例如df：
p1 p2 p3 p4
dates
2019-12-01 0.40 0.4 0.4 0.3
2019-12-02 0.41 0.3 0.3 0.3
让我们调用v第二个数据帧，并dg结果。
我们可以简单地用concat计算值：
dg = pd.concat([df * val for val in v['v3']], axis = 1)
然后，我们用MultiIndex.from_products计算列标签：
dg.columns = pd.MultiIndex.from_product([v['v1'], df.columns])
获得：
43 210 211
p1 p2 p3 p4 p1 p2 p3 p4 p1 p2 p3 p4
dates
2019-12-01 272.02720 272.0272 272.0272 204.0204 127.97280 127.9728 127.9728 95.9796 127.97280 127.9728 127.9728 95.9796
2019-12-02 278.82788 204.0204 204.0204 204.0204 131.17212 95.9796 95.9796 95.9796 131.17212 95.9796 95.9796 95.9796
它甚至可以一次性完成(感谢anky_91的技巧(：
pd.concat([df * val for val in v['v3']], axis = 1,keys=v['v1'])
多索引可以有名称，因此您甚至可以执行以下操作：
dg.columns.names=('v1', '')
获得：
v1 43 210 211
p1 p2 p3 p4 p1 p2 p3 p4 p1 p2 p3 p4
dates
2019-12-01 272.02720 272.0272 272.0272 204.0204 127.97280 127.9728 127.9728 95.9796 127.97280 127.9728 127.9728 95.9796
2019-12-02 278.82788 204.0204 204.0204 204.0204 131.17212 95.9796 95.9796 95.9796 131.17212 95.9796 95.9796 95.9796