一、列轉(zhuǎn)行
1、背景描述
在日常處理數(shù)據(jù)過程中，你們可能會經(jīng)常遇到這種類型的數(shù)據(jù)：
而我們用pandas進(jìn)行統(tǒng)計(jì)分析時(shí)，往往需要將結(jié)果轉(zhuǎn)換成以下類型的數(shù)據(jù)：
2.方法描述
準(zhǔn)備數(shù)據(jù)
df = pd.DataFrame({'姓名': ['A','B','C'],
'英語':[90,60,70],
'數(shù)學(xué)':[80,98,80],
'語文':[85,90,75]})
這個(gè)實(shí)現(xiàn)的方法有多種形式，這里集中進(jìn)行展示
2.1 方法1
tmp=df.set_index(['姓名']).stack() tmp2=tmp.rename_axis(index=['姓名','科目']) tmp2.name='分?jǐn)?shù)' tmp2.reset_index()
2.2 方法2
tmp=df.set_index(['姓名']).stack() tmp.index.names=['姓名','科目'] tmp.reset_index(name='分?jǐn)?shù)')
2.3 方法3
tmp=df.set_index(['姓名']).stack().reset_index() tmp.columns=['姓名','科目','分?jǐn)?shù)']
2.4 方法4
tmp=pd.melt(df,id_vars='姓名',var_name='科目',value_name='分?jǐn)?shù)')
3 思考與總結(jié)
通過上述的對比，相信各位已經(jīng)明白其中的厲害之處了，下面就來重點(diǎn)講解一下melt這個(gè)函數(shù)。melt函數(shù)共有以下幾個(gè)：
frame: 需要處理的數(shù)據(jù)幀id_vars: 不需要做列轉(zhuǎn)行處理的字段，如果不設(shè)置該字段則默認(rèn)會對所有列進(jìn)行處理value_vars: 需要做列轉(zhuǎn)行的字段，不指定則不處理var_name: 列轉(zhuǎn)行處理后，生成字段列，對列轉(zhuǎn)行之前的字段名稱進(jìn)行重命名value_name: 列轉(zhuǎn)行處理后，生成數(shù)值列，對列轉(zhuǎn)行之前的數(shù)值進(jìn)行命名col_level: 指定具體的列名等級，通常在有多級列名時(shí)使用。
4 思維延伸
4.1 例子1
轉(zhuǎn)換前：
轉(zhuǎn)換后：
實(shí)現(xiàn)的1種方法：
#準(zhǔn)備數(shù)據(jù)
df2 = pd.DataFrame({'姓名': ['A', 'B', 'C'],
'班級':[1,2,1],
'期中考試-英語': [90, 60, 70],
'期中考試-數(shù)學(xué)': [80, 98, 80],
'期中考試-語文': [85, 90, 75],
'期末考試-英語': [92, 63, 76],
'期末考試-數(shù)學(xué)': [85,100, 89],
'期末考試-語文': [87, 91, 80]})
#實(shí)現(xiàn)部分
t1=pd.melt(df2, id_vars=['姓名','班級'], var_name='科目', value_name='分?jǐn)?shù)')
t2=t1.set_index(['姓名','班級','分?jǐn)?shù)'])['科目'].str.split('-',expand=True).reset_index()
t2.set_index(['姓名','班級',0,1]).unstack().reset_index().rename_axis()
t3=t2.set_index(['姓名','班級',0,1]).unstack()
t3.columns=t3.columns.droplevel(0)
result=t3.rename_axis(columns=None).reset_index().rename(columns={0:'考試類型'})
result
4.2 例子2
轉(zhuǎn)換前：
轉(zhuǎn)換后：
實(shí)現(xiàn)方法舉例：
pd.lreshape(df2,{'英語':['期中考試-英語','期末考試-英語'],
'數(shù)學(xué)':['期中考試-數(shù)學(xué)','期末考試-數(shù)學(xué)'],
'語文':['期中考試-語文','期末考試-語文']})
二、行轉(zhuǎn)列
在一中，我們已經(jīng)完成了對于列轉(zhuǎn)行的任務(wù)，即將本文一中的多列df轉(zhuǎn)為tmp，那現(xiàn)在假如需要進(jìn)行列轉(zhuǎn)行又該如何操作呢？
1.準(zhǔn)備數(shù)據(jù)
tmp=pd.DataFrame({'姓名':['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],
'科目':['英語', '英語', '英語', '數(shù)學(xué)', '數(shù)學(xué)', '數(shù)學(xué)', '語文', '語文', '語文'],
'分?jǐn)?shù)':[90, 60, 70, 80, 98, 80, 85, 90, 75]})
tmp
2.行轉(zhuǎn)列實(shí)現(xiàn)
2.1 方法1
tmp2=tmp.set_index(['姓名','科目'])['分?jǐn)?shù)'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
2.2 方法2
tmp2=tmp.set_index(['姓名','科目'])['分?jǐn)?shù)'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
2.3 方法3
df=tmp.pivot(index='姓名',columns='科目',values='分?jǐn)?shù)').rename_axis(columns=None).reset_index()
3.思考與總結(jié)
從行轉(zhuǎn)列的例子中，我們可以發(fā)現(xiàn)核心的函數(shù)是unstack。unstack是將多重索引形式的數(shù)據(jù)，轉(zhuǎn)換為標(biāo)準(zhǔn)表格形式的數(shù)據(jù)，unstack主要由兩個(gè)參數(shù)組成：
level ：要取消堆疊的索引級別，可以傳遞級別名稱 。默認(rèn)參數(shù)為-1，例子中為科目，即最后一個(gè)索引fill_value ：如果取消堆疊后有缺失數(shù)據(jù)，會以固定字符進(jìn)行填充。
三、行列轉(zhuǎn)換(長寬互換)
(1) stack和unstack
California 2000 33871648
2010 37253956
New York 2000 18976457
2010 19378102
Texas 2000 20851820
2010 25145561
以上述數(shù)據(jù)為例
new_df = pop.unstack() new_df
unstack() 方法可以快速將一個(gè)多級索引的 Series 轉(zhuǎn)化為普通索引的 DataFrame,stack則可以實(shí)現(xiàn)將列轉(zhuǎn)化為索引。
來看個(gè)實(shí)際的行列互換的例子
列轉(zhuǎn)行
import pandas as pd
df = pd.read_csv('data/pew.csv')
df.head(10)
df = df.set_index('religion') #先把religion設(shè)為索引
df = df.stack() #將列轉(zhuǎn)化為二級索引
df.index = df.index.rename('income', level=1) #二級索引命命
df.name = 'frequency'
df = df.reset_index() #將索引轉(zhuǎn)化為Series
df.head(10)
上述轉(zhuǎn)化，可以看作是寬表轉(zhuǎn)長表，很好記憶，將一組具有相同特征的列，轉(zhuǎn)化成一列，自然就變窄了，同時(shí)為了一一對應(yīng)，需要和其他列做組合，就會變長。
總結(jié)
到此這篇關(guān)于pandas如何優(yōu)雅的列轉(zhuǎn)行及行轉(zhuǎn)列的文章就介紹到這了,更多相關(guān)pandas列轉(zhuǎn)行及行轉(zhuǎn)列內(nèi)容請搜索服務(wù)器之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持服務(wù)器之家！
原文鏈接：https://blog.csdn.net/qq_41780234/article/details/121622495
