<h2><code>dict.values</code></h2>
<p>使用<code>dict</code>来跟踪值，将最后找到的值保留为重要值。在</p>
<pre><code>list(dict(map(reversed, enumerate(df.index.get_level_values(0)))).values())
[2, 4, 5]
</code></pre>
<hr/>
<h2>带循环</h2>
<p>创建接受因子分解和唯一值数的函数</p>
^{pr2}$
<p>然后可以用</p>
<pre><code>f, u = pd.factorize(df.index.get_level_values(0))
last(f, len(u))
array([2, 4, 5])
</code></pre>
<p>然而，通常构造<code>MultiIndex</code>的方式，<code>labels</code>对象已经是因式分解，<code>levels</code>对象是唯一值。在</p>
<pre><code>last(df.index.labels[0], df.index.levels[0].size)
array([2, 4, 5])
</code></pre>
<p>更重要的是，我们可以使用Numba来使用即时编译来超级充电。在</p>
<pre><code>from numba import njit
@njit
def nlast(bins, k):
a = np.zeros(k, np.int64)
for i, b in enumerate(bins):
a[b] = i
return a
nlast(df.index.labels[0], df.index.levels[0].size)
array([2, 4, 5])
</code></pre>
<hr/>
<h2>时机</h2>
<pre><code>%%timeit
f, u = pd.factorize(df.index.get_level_values(0))
last(f, len(u))
641 µs ± 9.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
</code></pre>
<hr/>
<pre><code>%%timeit
f, u = pd.factorize(df.index.get_level_values(0))
nlast(f, len(u))
264 µs ± 11.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
</code></pre>
<hr/>
<pre><code>%%timeit
nlast(df.index.labels[0], len(df.index.levels[0]))
4.06 µs ± 43.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
</code></pre>
<hr/>
<pre><code>%%timeit
last(df.index.labels[0], len(df.index.levels[0]))
654 µs ± 14.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
</code></pre>
<hr/>
<pre><code>%%timeit
list(dict(map(reversed, enumerate(df.index.get_level_values(0)))).values())
709 µs ± 4.94 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
</code></pre>
<hr/>
<p>耶斯雷尔的解决方案。也很快。在</p>
<pre><code>%timeit start_stop_arr(df.index.get_level_values(0))
113 µs ± 83.1 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
</code></pre>
<hr/>
<h2><code>np.unique</code></h2>
<p>我没有计时是因为我不喜欢。见下文：</p>
<p>使用<code>np.unique</code>和<code>return_index</code>参数。这将返回找到每个唯一值的第一个位置。在这之后，我会做一些移动，以得到先前唯一值的最后一个位置。在</p>
<p><strong>注意：如果这个级别中的值是连续的。如果他们没有，我们就不得不做排序和取消排序，这是不值得的。除非是真的，否则我会教你怎么做。在</p>
<pre><code>i = np.unique(df.index.get_level_values(0), return_index=True)[1]
np.append(i[1:], len(df)) - 1
array([2, 4, 5])
</code></pre>
<hr/>
<h2>设置</h2>
<p>来自<a href="https://stackoverflow.com/a/51051118/2336654">@jezrael</a></p>
<pre><code>df = pd.DataFrame({'A':list('abcdef'),
'B':[4,5,4,5,5,4],
'C':[7,8,9,4,2,3],
'D':[1,3,5,7,1,0],
'E':[5,3,6,9,2,4],
'F':list('aaabbc')}).set_index(['F','A','B'])
</code></pre>
