pandas如何优雅的列转行及行转列详解
一、列转行
1、背景描述
在日常处理数据过程中，你们可能会经常遇到这种类型的数据：
而我们用pandas进行统计分析时，往往需要将结果转换成以下类型的数据：
2.方法描述
准备数据
df = pd.DataFrame({'姓名': ['A','B','C'],
'英语':[90,60,70],
'数学':[80,98,80],
'语文':[85,90,75]})
这个实现的方法有多种形式，这里集中进行展示
2.1 方法1
tmp=df.set_index(['姓名']).stack() tmp2=tmp.rename_axis(index=['姓名','科目']) tmp2.name='分数' 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='分数')
2.3 方法3
tmp=df.set_index(['姓名']).stack().reset_index() tmp.columns=['姓名','科目','分数']
2.4 方法4
tmp=pd.melt(df,id_vars='姓名',var_name='科目',value_name='分数')
3 思考与总结
通过上述的对比，相信各位已经明白其中的厉害之处了，下面就来重点讲解一下melt这个函数。melt函数共有以下几个：
frame: 需要处理的数据帧id_vars: 不需要做列转行处理的字段，如果不设置该字段则默认会对所有列进行处理value_vars: 需要做列转行的字段，不指定则不处理var_name: 列转行处理后，生成字段列，对列转行之前的字段名称进行重命名value_name: 列转行处理后，生成数值列，对列转行之前的数值进行命名col_level: 指定具体的列名等级，通常在有多级列名时使用。
4 思维延伸
4.1 例子1
转换前：
转换后：
实现的1种方法：
#准备数据
df2 = pd.DataFrame({'姓名': ['A', 'B', 'C'],
'班级':[1,2,1],
'期中考试-英语': [90, 60, 70],
'期中考试-数学': [80, 98, 80],
'期中考试-语文': [85, 90, 75],
'期末考试-英语': [92, 63, 76],
'期末考试-数学': [85,100, 89],
'期末考试-语文': [87, 91, 80]})
#实现部分
t1=pd.melt(df2, id_vars=['姓名','班级'], var_name='科目', value_name='分数')
t2=t1.set_index(['姓名','班级','分数'])['科目'].str.split('-',expand=True).reset_index()
t2.set_index(['姓名','班级',0,1]).unstack().reset_index().rename_axis()
t3=t2.set_index(['姓名','班级',0,1]).unstack()
t3.columns=t3.columns.droplevel(0)
result=t3.rename_axis(columns=None).reset_index().rename(columns={0:'考试类型'})
result
4.2 例子2
转换前：
转换后：
实现方法举例：
pd.lreshape(df2,{'英语':['期中考试-英语','期末考试-英语'],
'数学':['期中考试-数学','期末考试-数学'],
'语文':['期中考试-语文','期末考试-语文']})
二、行转列
在一中，我们已经完成了对于列转行的任务，即将本文一中的多列df转为tmp，那现在假如需要进行列转行又该如何操作呢？
1.准备数据
tmp=pd.DataFrame({'姓名':['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],
'科目':['英语', '英语', '英语', '数学', '数学', '数学', '语文', '语文', '语文'],
'分数':[90, 60, 70, 80, 98, 80, 85, 90, 75]})
tmp
2.行转列实现
2.1 方法1
tmp2=tmp.set_index(['姓名','科目'])['分数'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
2.2 方法2
tmp2=tmp.set_index(['姓名','科目'])['分数'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
2.3 方法3
df=tmp.pivot(index='姓名',columns='科目',values='分数').rename_axis(columns=None).reset_index()
3.思考与总结
从行转列的例子中，我们可以发现核心的函数是unstack。unstack是将多重索引形式的数据，转换为标准表格形式的数据，unstack主要由两个参数组成：
level ：要取消堆叠的索引级别，可以传递级别名称 。默认参数为-1，例子中为科目，即最后一个索引fill_value ：如果取消堆叠后有缺失数据，会以固定字符进行填充。
三、行列转换(长宽互换)
(1) stack和unstack
California 2000 33871648
2010 37253956
New York 2000 18976457
2010 19378102
Texas 2000 20851820
2010 25145561
以上述数据为例
new_df = pop.unstack() new_df
unstack() 方法可以快速将一个多级索引的 Series 转化为普通索引的 DataFrame,stack则可以实现将列转化为索引。
来看个实际的行列互换的例子
列转行
import pandas as pd
df = pd.read_csv('data/pew.csv')
df.head(10)
df = df.set_index('religion') #先把religion设为索引
df = df.stack() #将列转化为二级索引
df.index = df.index.rename('income', level=1) #二级索引命命
df.name = 'frequency'
df = df.reset_index() #将索引转化为Series
df.head(10)
上述转化，可以看作是宽表转长表，很好记忆，将一组具有相同特征的列，转化成一列，自然就变窄了，同时为了一一对应，需要和其他列做组合，就会变长。
总结
到此这篇关于pandas如何优雅的列转行及行转列的文章就介绍到这了,更多相关pandas列转行及行转列内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
下面小编就为大家带来一篇Python 常用string函数详解。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2016-05-05
本篇文章主要介绍了EM算法的python实现的方法步骤，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2018-01-01
这篇文章主要介绍了Django中使用Whoosh进行全文检索的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-03-03
关于pyinstaller生成.exe程序报错:缺少.ini文件的分析
这篇文章主要介绍了关于pyinstaller生成.exe程序报错:缺少.ini文件的分析，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-02-02
今天小编就为大家分享一篇浅谈解除装饰器作用(python3新增)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-10-10
这篇文章主要介绍了使用python的Flask框架进行上传和下载文件详解,Flask是一个使用Pyhton编写的轻量级Web应用框架，工具包采用Werkzeug，模板引擎则使用Jinja2，是目前十分流行的web框架,需要的朋友可以参考下2023-07-07
在本篇内容里小编给大家分享的是一篇关于从PySpark中的字符串获取列表方法讲解及相关实例，有需要的朋友们跟着学习下。2021-12-12
在做图像数据标注时,很难一次就做到精准标注,如果目标比较小,即使微调也难以做到精准,所以就需要另外一个窗口对标注区域进行局部放大以方便微调,这篇文章主要给大家介绍了关于python+opencv实现论文插图局部放大并拼接效果的相关资料,需要的朋友可以参考下2021-10-10
这篇文章主要为大家详细介绍了python使用turtle库绘制时钟，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-06-06
本文主要介绍了pandas将Series转成DataFrame的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-01-01
最新评论