pandas如何優(yōu)雅的列轉行及行轉列詳解
一、列轉行
1、背景描述
在日常處理數據過程中，你們可能會經常遇到這種類型的數據：
而我們用pandas進行統(tǒng)計分析時，往往需要將結果轉換成以下類型的數據：
2.方法描述
準備數據
df = pd.DataFrame({'姓名': ['A','B','C'],
'英語':[90,60,70],
'數學':[80,98,80],
'語文':[85,90,75]})
這個實現的方法有多種形式，這里集中進行展示
2.1 方法1
tmp=df.set_index(['姓名']).stack() tmp2=tmp.rename_axis(index=['姓名','科目']) tmp2.name='分數' 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='分數')
2.3 方法3
tmp=df.set_index(['姓名']).stack().reset_index() tmp.columns=['姓名','科目','分數']
2.4 方法4
tmp=pd.melt(df,id_vars='姓名',var_name='科目',value_name='分數')
3 思考與總結
通過上述的對比，相信各位已經明白其中的厲害之處了，下面就來重點講解一下melt這個函數。melt函數共有以下幾個：
frame: 需要處理的數據幀id_vars: 不需要做列轉行處理的字段，如果不設置該字段則默認會對所有列進行處理value_vars: 需要做列轉行的字段，不指定則不處理var_name: 列轉行處理后，生成字段列，對列轉行之前的字段名稱進行重命名value_name: 列轉行處理后，生成數值列，對列轉行之前的數值進行命名col_level: 指定具體的列名等級，通常在有多級列名時使用。
4 思維延伸
4.1 例子1
轉換前：
轉換后：
實現的1種方法：
#準備數據
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-數學': [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-數學': [85,100, 89],
'期末考試-語文': [87, 91, 80]})
#實現部分
t1=pd.melt(df2, id_vars=['姓名','班級'], var_name='科目', value_name='分數')
t2=t1.set_index(['姓名','班級','分數'])['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
轉換前：
轉換后：
實現方法舉例：
pd.lreshape(df2,{'英語':['期中考試-英語','期末考試-英語'],
'數學':['期中考試-數學','期末考試-數學'],
'語文':['期中考試-語文','期末考試-語文']})
二、行轉列
在一中，我們已經完成了對于列轉行的任務，即將本文一中的多列df轉為tmp，那現在假如需要進行列轉行又該如何操作呢？
1.準備數據
tmp=pd.DataFrame({'姓名':['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],
'科目':['英語', '英語', '英語', '數學', '數學', '數學', '語文', '語文', '語文'],
'分數':[90, 60, 70, 80, 98, 80, 85, 90, 75]})
tmp
2.行轉列實現
2.1 方法1
tmp2=tmp.set_index(['姓名','科目'])['分數'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
2.2 方法2
tmp2=tmp.set_index(['姓名','科目'])['分數'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
2.3 方法3
df=tmp.pivot(index='姓名',columns='科目',values='分數').rename_axis(columns=None).reset_index()
3.思考與總結
從行轉列的例子中，我們可以發(fā)現核心的函數是unstack。unstack是將多重索引形式的數據，轉換為標準表格形式的數據，unstack主要由兩個參數組成：
level ：要取消堆疊的索引級別，可以傳遞級別名稱 。默認參數為-1，例子中為科目，即最后一個索引fill_value ：如果取消堆疊后有缺失數據，會以固定字符進行填充。
三、行列轉換(長寬互換)
(1) stack和unstack
California 2000 33871648
2010 37253956
New York 2000 18976457
2010 19378102
Texas 2000 20851820
2010 25145561
以上述數據為例
new_df = pop.unstack() new_df
unstack() 方法可以快速將一個多級索引的 Series 轉化為普通索引的 DataFrame,stack則可以實現將列轉化為索引。
來看個實際的行列互換的例子
列轉行
import pandas as pd
df = pd.read_csv('data/pew.csv')
df.head(10)
df = df.set_index('religion') #先把religion設為索引
df = df.stack() #將列轉化為二級索引
df.index = df.index.rename('income', level=1) #二級索引命命
df.name = 'frequency'
df = df.reset_index() #將索引轉化為Series
df.head(10)
上述轉化，可以看作是寬表轉長表，很好記憶，將一組具有相同特征的列，轉化成一列，自然就變窄了，同時為了一一對應，需要和其他列做組合，就會變長。
總結
到此這篇關于pandas如何優(yōu)雅的列轉行及行轉列的文章就介紹到這了,更多相關pandas列轉行及行轉列內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python獲取SQLite查詢結果表列名的方法,涉及Python連接及查詢SQLite數據庫的相關操作技巧,需要的朋友可以參考下2017-06-06
今天小編就為大家分享一篇python 讀取鼠標點擊坐標的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
這篇文章主要介紹了pycharm如何添加解釋器問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-08-08
這篇文章主要介紹了Python實現文件內容批量追加的方法,結合實例形式分析了Python文件的讀寫相關操作技巧,需要的朋友可以參考下2017-08-08
下面小編就為大家?guī)硪黄獪\談Python 的枚舉 Enum。小編覺得挺不錯的，現在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-06-06
這篇文章主要介紹了python實現Simhash算法，simhash算法用來進行文本比對的，simhash包含分詞、hash、加權、合并、降維五大步驟，下文圍繞更多相關資料介紹，需要的小伙伴可以參考一下2022-02-02
這篇文章主要為大家詳細介紹了python實現趣味圖片字符化，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-04-04
這篇文章主要介紹了Python實現的刪除重復文件或圖片功能,結合實例形式分析了Python基于os與hashlib模塊針對文件的讀取、hash計算及重復性判定等相關操作技巧,需要的朋友可以參考下2019-04-04
Python 限制線程的最大數量的方法(Semaphore)
今天小編就為大家分享一篇Python 限制線程的最大數量的方法(Semaphore)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-02-02
Python環(huán)境搭建過程很多朋友都操作過，本次我們將向大家介紹Python和Pycharm 環(huán)境部署的流程，文章通過圖文的形式給大家展示一目了然一看就懂，需要的朋友參考下吧2021-06-06