欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

詳解Pandas中stack()和unstack()的使用技巧

 更新時間：2022年03月30日 11:11:29   作者：Python學(xué)習(xí)與數(shù)據(jù)挖掘  
當(dāng)你在處理包含某種序列（例如時間序列數(shù)據(jù)）的變量的數(shù)據(jù)集時，數(shù)據(jù)通常需要進(jìn)行重塑。Pandas?提供了各種用于重塑?DataFrame?的內(nèi)置方法。其中，stack()?和?unstack()?是最流行的，本文總結(jié)了這兩個方法的7種使用技巧，需要的可以參考一下

介紹

Pandas 提供了各種用于重塑 DataFrame 的內(nèi)置方法。其中，stack() 和 unstack() 是最流行的 2 種重組列和行的方法：

  • stack()：從列到行堆疊
  • unstack()：從行到列取消堆疊

stack() 和 unstack() 似乎使用起來相當(dāng)簡單，但你仍然應(yīng)該知道一些技巧來加快數(shù)據(jù)分析。

在本文中，我將分享 Pandas 的幾個技巧：

  • 單層
  • 多層次：簡單案例
  • 多層次：缺失值
  • 多個級別：指定要堆疊的級別
  • 多個級別：刪除缺失值
  • unstack: 簡單案例
  • unstack：更多用法

1.單層

最簡單的 stack()可以應(yīng)用于具有單層列的 DataFrame。它只是將標(biāo)簽從列堆疊到行并輸出一個系列。

df_single_level = pd.DataFrame(
    [['Mostly cloudy', 10], ['Sunny', 12]],
    index=['London', 'Oxford'],
    columns=['Weather', 'Wind']
)
df_single_level.stack()

2.多層次：簡單案例

通常，我們會在具有多級列的 DataFrame 上使用 stack()。

讓我們創(chuàng)建一個 DataFrame。有多種方法可以創(chuàng)建具有多級列的 DataFrame，最簡單的方法之一是創(chuàng)建 MultiIndex 對象 MultiIndex.from_tuples() 并將結(jié)果傳遞給 pd.DataFrame() 中的 columns 參數(shù)：

multi_col_1 = pd.MultiIndex.from_tuples(
    [('Wind', 'mph'), ('Wind', 'm/s')]
)
df_multi_level_1 = pd.DataFrame(
    [[13, 5.5], [19, 8.5]],
    index=['London', 'Oxford'],
    columns=multi_col_1
)

通過調(diào)用 stack()，它將獲取列級別(mph, m/s) 并將其堆疊到行軸上。

df_multi_level_1.stack()
# Same as 
df_multi_level_1.stack(level=-1)
df_multi_level_1.stack(-1)

在幕后，它根據(jù)參數(shù) level 運行操作。 參數(shù) level 默認(rèn)為 -1 ，它采用最內(nèi)層并將其從列軸堆疊到行軸上。

3. 多層次：缺失值

在堆疊具有多級列的 DataFrame 時，通常會出現(xiàn)缺失值。讓我們創(chuàng)建另一個 DataFrame 示例：

multi_col_2 = pd.MultiIndex.from_tuples(
    [('Wind', 'mph'), ('Temperature', '°C')]
)
df_multi_level_2 = pd.DataFrame(
    [[13, 8], [19, 6]],
    index=['London', 'Oxford'],
    columns=multi_col_2
)
df_multi_level_2.stack()

與前面的示例 multi_col_1 在第一級中具有相同的值“Wind”不同，multi_col_2 具有 2 個不同的值“Wind”和“Temperature”。 現(xiàn)在，我們得到了缺失值，因為堆疊的 DataFrame 比原始 DataFrame 有更多的值，并且缺失值用 NaN 填充。

4. 多層次：規(guī)定要堆疊的層次

stack() 中的第一個參數(shù)是 level，它控制堆疊的級別。 讓我們創(chuàng)建一個具有 2 個不同級別的 MultiIndex：

multi_col_2 = pd.MultiIndex.from_tuples(
    [('Wind', 'mph'), ('Temperature', '°C')]
)
# Level 0
multi_col_2.get_level_values(0)
# Index(['Wind', 'Temperature'], dtype='object')
# Level 1
multi_col_2.get_level_values(1)
# Index(['mph', '°C'], dtype='object')

我們可以傳遞一個數(shù)字來規(guī)定要堆疊的級別。 要規(guī)定要堆疊的多個級別，我們可以傳遞一個列表：

df_multi_level_2.stack(0)
df_multi_level_2.stack([0, 1])
df_multi_level_2.stack([1, 0])

5. 多層次：刪除缺失值

默認(rèn)情況下，調(diào)用 stack() 時會刪除所有值缺失的行，可以通過將 dropna 設(shè)置為 False 來控制此行為：

df_multi_level_3 = pd.DataFrame(
    [[None, 10], [11, 7.0]],
    index=['London', 'Oxford'],
    columns=multi_col_2
)
df_multi_level_3.stack()
df_multi_level_3.stack(dropna=False)

6. unstack: 簡單案例

同樣，Pandas unstack() 也支持參數(shù)級別，默認(rèn)為 -1，它將對最內(nèi)層索引應(yīng)用操作。

index = pd.MultiIndex.from_tuples([
  ('Oxford', 'Temperature'), 
  ('Oxford', 'Wind'),
  ('London', 'Temperature'), 
  ('London', 'Wind')
])
s = pd.Series([1,2,3,4], index=index)

通過在具有 MultiIndex 的 Series 上調(diào)用 unstack()，它會將最內(nèi)層的索引取消堆疊到列上。 要指定要取消堆疊的級別，我們可以傳遞級別編號：

s.unstack()
# It's equivalent to
s.unstack(level=-1)
# Unstack a specific level
s.unstack(level=0)

7. unstack：更多用法

通常，我們會在更多級別上使用 unstack()。

讓我們看一個具有 3 個級別的示例：

index = pd.MultiIndex.from_tuples([
  ('Oxford', 'Weather', '01-01-2022'), 
  ('Oxford', 'Temperature', '01-01-2022'), 
  ('Oxford', 'Weather', '02-01-2022'),
  ('Oxford', 'Temperature', '02-01-2022'),
  ('London', 'Weather', '01-01-2022'), 
  ('London', 'Temperature', '01-01-2022'),
  ('London', 'Weather', '02-01-2022'),
  ('London', 'Temperature', '02-01-2022'),
])
s = pd.Series(
  ['Sunny', 10, 'Shower', 7, 'Shower', 5, 'Sunny', 8], 
  index=index
)

通過調(diào)用 unstack()，它將最里面的索引解棧到列中。

例如，我們可以使用方法鏈來運行另一個 unstack() 或傳遞一個列表

# Method chaining
df.unstack().unstack()
df.unstack().unstack().unstack()
# The equivalent
df.unstack([2,1])
df.unstack([2,1,0])

結(jié)論

在本文中，我們介紹了 7 個使用 Pandas 的 stack()和 unstack() 重塑 DataFrame 的用例，該方法本身非常易于使用，并且是在數(shù)據(jù)預(yù)處理中操縱數(shù)據(jù)的最受歡迎的方法之一。

到此這篇關(guān)于詳解Pandas中stack()和 unstack()的使用技巧的文章就介紹到這了,更多相關(guān)Pandas stack()  unstack()內(nèi)容請搜索腳本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腳本之家！

相關(guān)文章

  • Python實現(xiàn)獲取sonarqube數(shù)據(jù)

    Python實現(xiàn)獲取sonarqube數(shù)據(jù)

    sonarqube是一款代碼分析的工具，可以對通過soanrScanner掃描后的數(shù)據(jù)傳遞給sonarqube進(jìn)行分析，本文為大家整理了Python獲取sonarqube數(shù)據(jù)的方法，需要的可以參考下
    2023-05-05
  • Python對PDF文件的常用操作方法詳解

    Python對PDF文件的常用操作方法詳解

    PDF是Portable?Document?Format的縮寫，這類文件通常使用`.pdf`作為其擴展名。在日常開發(fā)工作中，最容易遇到的就是從PDF中讀取文本內(nèi)容以及用已有的內(nèi)容生成PDF文檔這兩個任務(wù)。本文為大家介紹了幾個Python中常見的PDF操作，需要的可以參考一下
    2022-05-05
  • M1芯片安裝python3.9.1的實現(xiàn)

    M1芯片安裝python3.9.1的實現(xiàn)

    這篇文章主要介紹了M1芯片安裝python3.9.1的實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2021-02-02
  • pandas中apply和transform方法的性能比較及區(qū)別介紹

    pandas中apply和transform方法的性能比較及區(qū)別介紹

    這篇文章主要介紹了pandas中apply和transform方法的性能比較，在文中給大家講解了apply() 與transform()的相同點與不同點,需要的朋友可以參考下
    2018-10-10
  • 利用python實現(xiàn)簡單的郵件發(fā)送客戶端示例

    利用python實現(xiàn)簡單的郵件發(fā)送客戶端示例

    下面小編就為大家分享一篇利用python實現(xiàn)簡單的郵件發(fā)送客戶端示例，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
    2017-12-12
  • 舉例講解Python裝飾器

    舉例講解Python裝飾器

    這篇文章主要介紹了Python裝飾器的相關(guān)資料，幫助大家更好的理解和使用python，感興趣的朋友可以了解下
    2020-12-12
  • 詳解Python中三元運算符的使用

    詳解Python中三元運算符的使用

    條件表達(dá)式（有時稱為“三元運算符”）在所有Python操作中優(yōu)先級最低,三元運算符根據(jù)條件為真或假來計算某些東西,下面就跟隨小編一起來看看Python中三元運算符的具體使用吧
    2023-09-09
  • pytorch 中transforms的使用詳解

    pytorch 中transforms的使用詳解

    本文主要介紹了pytorch中transforms的使用詳解，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2022-06-06
  • Python?+?Selenium?實現(xiàn)模擬登錄jd實例分享

    Python?+?Selenium?實現(xiàn)模擬登錄jd實例分享

    這篇文章主要介紹了Python?+?Selenium?實現(xiàn)模擬登錄jd實例分享的相關(guān)資料,需要的朋友可以參考下
    2023-06-06
  • Python強大的自省機制詳解

    Python強大的自省機制詳解

    這篇文章主要為大家介紹了Python強大的自省機制，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助
    2021-11-11

最新評論