程序博客网 > 淘宝台湾版

pandas中行列转换

来源：互联网 发布：淘宝台湾版 编辑：程序博客网 时间：2024/05/04 06:38

①列转行方法

  • stack函数：pandas.DataFrame.stack(self, level=-1, dropna=True)
通过?pandas.DataFrame.stack命令查看帮助文档
[python] view plain copy
  1. Signature: pandas.DataFrame.stack(self, level=-1, dropna=True)  
  2. Docstring:  
  3. Pivot a level of the (possibly hierarchical) column labels, returning a  
  4. DataFrame (or Series in the case of an object with a single level of  
  5. column labels) having a hierarchical index with a new inner-most level  
  6. of row labels.  
  7. The level involved will automatically get sorted.  
a、对于普通的DataFrame而言，直接列索引转换到最内层行索引，生一个Series对象
[python] view plain copy
  1. In [16]: import pandas as pd  
  2.     ...: import numpy as np  
  3.     ...: df = pd.DataFrame(np.arange(6).reshape(2,3),index=['AA','BB'],columns=  
  4.     ...: ['three','two','one'])  
  5.     ...: df  
  6.     ...:  
  7. Out[16]:  
  8.     three  two  one  
  9. AA      0    1    2  
  10. BB      3    4    5  
  11.   
  12. In [17]: df.stack()  
  13. Out[17]:  
  14. AA  three    0  
  15.     two      1  
  16.     one      2  
  17. BB  three    3  
  18.     two      4  
  19.     one      5  
  20. dtype: int32  
  21.   
  22. In [18]: df.stack(level=0)  
  23. Out[18]:  
  24. AA  three    0  
  25.     two      1  
  26.     one      2  
  27. BB  three    3  
  28.     two      4  
  29.     one      5  
  30. dtype: int32  
  31.   
  32. In [19]: df.stack(level=-1)  
  33. Out[19]:  
  34. AA  three    0  
  35.     two      1  
  36.     one      2  
  37. BB  three    3  
  38.     two      4  
  39.     one      5  
  40. dtype: int32  
b、对于层次化索引的DataFrame而言，可以将指定的索引层转换到行上，默认是将最内层的列索引转换到最内层行
[python] view plain copy
  1. In [31]: import pandas as pd  
  2.     ...: import numpy as np  
  3.     ...: df = pd.DataFrame(np.arange(8).reshape(2,4),index=['AA','BB'],columns=  
  4.     ...: [['two','two','one','one'],['A','B','C','D']])  
  5.     ...: df  
  6.     ...:  
  7. Out[31]:  
  8.    two    one  
  9.      A  B   C  D  
  10. AA   0  1   2  3  
  11. BB   4  5   6  7  
  12.   
  13. In [32]: df.stack()  
  14. Out[32]:  
  15.       one  two  
  16. AA A  NaN  0.0  
  17.    B  NaN  1.0  
  18.    C  2.0  NaN  
  19.    D  3.0  NaN  
  20. BB A  NaN  4.0  
  21.    B  NaN  5.0  
  22.    C  6.0  NaN  
  23.    D  7.0  NaN  
  24.   
  25. In [33]: df.stack(level=0)  
  26. Out[33]:  
  27.           A    B    C    D  
  28. AA one  NaN  NaN  2.0  3.0  
  29.    two  0.0  1.0  NaN  NaN  
  30. BB one  NaN  NaN  6.0  7.0  
  31.    two  4.0  5.0  NaN  NaN  
  32.   
  33. In [34]: df.stack(level=1)  
  34. Out[34]:  
  35.       one  two  
  36. AA A  NaN  0.0  
  37.    B  NaN  1.0  
  38.    C  2.0  NaN  
  39.    D  3.0  NaN  
  40. BB A  NaN  4.0  
  41.    B  NaN  5.0  
  42.    C  6.0  NaN  
  43.    D  7.0  NaN  
  44.   
  45. In [35]: df.stack(level=-1)  
  46. Out[35]:  
  47.       one  two  
  48. AA A  NaN  0.0  
  49.    B  NaN  1.0  
  50.    C  2.0  NaN  
  51.    D  3.0  NaN  
  52. BB A  NaN  4.0  
  53.    B  NaN  5.0  
  54.    C  6.0  NaN  
  55.    D  7.0  NaN  
  56.   
  57. In [36]: df.stack(level=[0,1])  
  58. Out[36]:  
  59. AA  one  C    2.0  
  60.          D    3.0  
  61.     two  A    0.0  
  62.          B    1.0  
  63. BB  one  C    6.0  
  64.          D    7.0  
  65.     two  A    4.0  
  66.          B    5.0  
  67. dtype: float64  
  • unstack函数：pandas.DataFrame.unstack(self, level=-1, fill_value=None)
通过?pandas.DataFrame.unstack命令查看帮助文档
[python] view plain copy
  1. Signature: pandas.DataFrame.unstack(self, level=-1, fill_value=None)  
  2. Docstring:  
  3. Pivot a level of the (necessarily hierarchical) index labels, returning  
  4. a DataFrame having a new level of column labels whose inner-most level  
  5. consists of the pivoted index labels. If the index is not a MultiIndex,  
  6. the output will be a Series (the analogue of stack when the columns are  
  7. not a MultiIndex).  
  8. The level involved will automatically get sorted.  
a、对于普通的DataFrame而言，直接将列索引转换到行索引的最外层索引，生成一个Series对象
[python] view plain copy
  1. In [20]: df  
  2. Out[20]:  
  3.     three  two  one  
  4. AA      0    1    2  
  5. BB      3    4    5  
  6.   
  7. In [21]: df.unstack()  
  8. Out[21]:  
  9. three  AA    0  
  10.        BB    3  
  11. two    AA    1  
  12.        BB    4  
  13. one    AA    2  
  14.        BB    5  
  15. dtype: int32  
  16.   
  17. In [22]: df.unstack(0)  
  18. Out[22]:  
  19. three  AA    0  
  20.        BB    3  
  21. two    AA    1  
  22.        BB    4  
  23. one    AA    2  
  24.        BB    5  
  25. dtype: int32  
  26.   
  27. In [23]: df.unstack(-1)  
  28. Out[23]:  
  29. three  AA    0  
  30.        BB    3  
  31. two    AA    1  
  32.        BB    4  
  33. one    AA    2  
  34.        BB    5  
  35. dtype: int32  
b、对于层次化索引的DataFrame而言，和stack函数类似，似乎把两层索引当作一个整体，当level为列表时报错
[python] view plain copy
  1. In [37]: df  
  2. Out[37]:  
  3.    two    one  
  4.      A  B   C  D  
  5. AA   0  1   2  3  
  6. BB   4  5   6  7  
  7.   
  8. In [38]: df.unstack()  
  9. Out[38]:  
  10. two  A  AA    0  
  11.         BB    4  
  12.      B  AA    1  
  13.         BB    5  
  14. one  C  AA    2  
  15.         BB    6  
  16.      D  AA    3  
  17.         BB    7  
  18. dtype: int32  
  19.   
  20. In [39]: df.unstack(0)  
  21. Out[39]:  
  22. two  A  AA    0  
  23.         BB    4  
  24.      B  AA    1  
  25.         BB    5  
  26. one  C  AA    2  
  27.         BB    6  
  28.      D  AA    3  
  29.         BB    7  
  30. dtype: int32  
  31.   
  32. In [40]: df.unstack(1)  
  33. Out[40]:  
  34. two  A  AA    0  
  35.         BB    4  
  36.      B  AA    1  
  37.         BB    5  
  38. one  C  AA    2  
  39.         BB    6  
  40.      D  AA    3  
  41.         BB    7  
  42. dtype: int32  
  43.   
  44. In [41]: df.unstack(-1)  
  45. Out[41]:  
  46. two  A  AA    0  
  47.         BB    4  
  48.      B  AA    1  
  49.         BB    5  
  50. one  C  AA    2  
  51.         BB    6  
  52.      D  AA    3  
  53.         BB    7  
  54. dtype: int32  
  55.   
  56. In [42]: df.unstack(level=[0,1])  
  57.   
  58. IndexError: Too many levels: Index has only 1 level, not 2  
那再试下level=5，发现也正常，这里的level怎么理解？--遗留问题
[python] view plain copy
  1. In [44]: df  
  2. Out[44]:  
  3.    two    one  
  4.      A  B   C  D  
  5. AA   0  1   2  3  
  6. BB   4  5   6  7  
  7.   
  8. In [45]: df.unstack(level=5)  
  9. Out[45]:  
  10. two  A  AA    0  
  11.         BB    4  
  12.      B  AA    1  
  13.         BB    5  
  14. one  C  AA    2  
  15.         BB    6  
  16.      D  AA    3  
  17.         BB    7  
  18. dtype: int32  
  • melt函数：pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
通过?pandas.melt查看帮助文档
[python] view plain copy
  1. Signature: pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)  
  2. Docstring:  
  3. "Unpivots" a DataFrame from wide format to long format, optionally leaving  
  4. identifier variables set.  
  5.   
  6. This function is useful to massage a DataFrame into a format where one  
  7. or more columns are identifier variables (`id_vars`), while all other  
  8. columns, considered measured variables (`value_vars`), are "unpivoted" to  
  9. the row axis, leaving just two non-identifier columns, 'variable' and  
  10. 'value'.  
首先拿普通的DataFrame实验下，看看melt函数怎么转换的
[python] view plain copy
  1. In [46]: df = pd.DataFrame(np.arange(8).reshape(2,4),index=['AA','BB'],columns=  
  2.     ...: ['A','B','C','D'])  
  3.     ...: df  
  4.     ...:  
  5. Out[46]:  
  6.     A  B  C  D  
  7. AA  0  1  2  3  
  8. BB  4  5  6  7  
  9.   
  10. In [47]: pd.melt(df,id_vars=['A','C'],value_vars=['B','D'],var_name='B|D',value  
  11.     ...: _name='(B|D)_value')  
  12. Out[47]:  
  13.    A  C B|D  (B|D)_value  
  14. 0  0  2   B            1  
  15. 1  4  6   B            5  
  16. 2  0  2   D            3  
  17. 3  4  6   D            7  
  18.   
  19. In [48]: pd.melt(df,id_vars=['A'],value_vars=['B','D'],var_name='B|D',value_nam  
  20.     ...: e='(B|D)_value')  
  21. Out[48]:  
  22.    A B|D  (B|D)_value  
  23. 0  0   B            1  
  24. 1  4   B            5  
  25. 2  0   D            3  
  26. 3  4   D            7  
  27.   
  28. In [49]: pd.melt(df,id_vars=['A'],value_vars=['B'],var_name='B',value_name='B_v  
  29.     ...: alue')  
  30. Out[49]:  
  31.    A  B  B_value  
  32. 0  0  B        1  
  33. 1  4  B        5  
结论：从上述结果可以看出，id_vars可以理解为结果需要保留的原始列，value_vars可以理解为需需要列转行的列名；var_name把列转行的列变量重新命名，默认为variable；value_name列转行对应变量的值的名称
[python] view plain copy
  1. In [50]: df1 = pd.DataFrame(np.arange(8).reshape(2,4),columns=[list('ABCD'),lis  
  2.     ...: t('EFGH')])  
  3.     ...: df1  
  4.     ...:  
  5. Out[50]:  
  6.    A  B  C  D  
  7.    E  F  G  H  
  8. 0  0  1  2  3  
  9. 1  4  5  6  7  
  10.   
  11. In [51]: pd.melt(df1,col_level=0,id_vars=['A'],value_vars=['D'])  
  12. Out[51]:  
  13.    A variable  value  
  14. 0  0        D      3  
  15. 1  4        D      7  
②行转列方法
  • unstack函数：pandas.DataFrame.unstack(self, level=-1, fill_value=None)
[python] view plain copy
  1. In [26]: df2=df.stack()  
  2.     ...: df2  
  3.     ...:  
  4. Out[26]:  
  5. AA  three    0  
  6.     two      1  
  7.     one      2  
  8. BB  three    3  
  9.     two      4  
  10.     one      5  
  11. dtype: int32  
  12.   
  13. In [27]: df2.unstack()  
  14. Out[27]:  
  15.     three  two  one  
  16. AA      0    1    2  
  17. BB      3    4    5  
  18.   
  19. In [28]: df2.unstack(0)  
  20. Out[28]:  
  21.        AA  BB  
  22. three   0   3  
  23. two     1   4  
  24. one     2   5  
  25.   
  26. In [29]: df2.unstack(1)  
  27. Out[29]:  
  28.     three  two  one  
  29. AA      0    1    2  
  30. BB      3    4    5  
  31.   
  32. In [30]: df2.unstack(-1)  
  33. Out[30]:  
  34.     three  two  one  
  35. AA      0    1    2  
  36. BB      3    4    5  


阅读全文
0 0
淘宝台湾版 淘宝台湾版
原创粉丝点击
热门IT博客
天启软件官网天启软件官网
php视频教程谁的好php视频教程谁的好
linux编译fortran
牙医自己种牙 知乎
java replaceall 括号
编程视频教学
网络数据掉包测试
手机淘宝旺旺生成器
himall2.3源码
java中的代理设计模式
绿地集团待遇知乎
php上传文件大小是多少
交管局 交通流量数据
魔兽世界成就数据库
淘宝手机店铺新品上架
秒杀软件好用吗
什么安卓录屏软件好用
im域名稳定吗
仿淘宝app
阿里混合云架构
热门问题 老师的惩罚 人脸识别 我在镇武司摸鱼那些年 重生之率土为王 我在大康的咸鱼生活 盘龙之生命进化 天生仙种 凡人之先天五行 春回大明朝 姑娘不必设防，我是瞎子 胎儿心电图多少钱 照心电图多少钱 频谱心电图 预激综合征心电图 房颤的心电图 正常心电图波形 医院心电图多少钱 房颤的心电图表现 心电图彩超多少钱 心室颤动心电图 心室肥厚心电图 心电图窦性心律 女友做心电图 心电图是什么 照心电图要多少钱 室上速心电图特点 心肌梗塞心电图 心律失常心电图 超声心电图多少钱 holter心电图 12导联心电图 十二导联心电图 心电图危急值 房扑心电图特点 心电图大概多少钱 胎儿心电图 动态心电图检查 心动过速心电图 做心电图的位置 异常心电图图谱 主动脉夹层心电图 如何看懂心电图 十二导心电图 心室肥大心电图 心电图肢体导联 心电图学习 移动心电图 为什么要做心电图 运动心电图 正常人心电图 心房颤动心电图

程序博客网，程序员的互联网技术博客家园。csdn论坛精品 msdn技术资料都在这里