脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Pandas.DataFrame行列转置

Pandas.DataFrame行和列的转置的实现

 更新时间：2023年02月22日 09:24:26   作者：饺子大人  
本文主要介绍了Pandas.DataFrame行和列的转置的实现，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

如果要交换（转置）pandas.DataFrame的行和列，使用T属性或transpose（）方法。

这两种方法都不会保留原始对象不变，也不会返回交换了行和列（转置）的新对象。请注意，根据每一列的数据类型dtype，将生成视图而不是副本，并且更改原始对象和转置对象之一的值将更改另一个视图。

pandas.DataFrame.T

可以使用T属性获得转置的pandas.DataFrame。

import pandas as pd

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
#    X  Y
# A  0  3
# B  1  4
# C  2  5

print(df.T)
#    A  B  C
# X  0  1  2
# Y  3  4  5

pandas.DataFrame.transpose()

transpose（）方法类似。

print(df.transpose())
#    A  B  C
# X  0  1  2
# Y  3  4  5

修改原始对象本身

没有像inplace这样的参数可以修改原始对象本身。如果不想创建新对象，只需将其分配给原始对象本身即可。

df = df.T
print(df)
#    A  B  C
# X  0  1  2
# Y  3  4  5

当进行类型转换（广播）时

为pandas.DataFrame中的每一列设置数据类型dtype。

如果所有列都具有相同的数据类型，则即使通过T或transpose（）进行转置，该数据类型也将保持相同。

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
#    X  Y
# A  0  3
# B  1  4
# C  2  5

print(df.dtypes)
# X    int64
# Y    int64
# dtype: object

print(df.T)
#    A  B  C
# X  0  1  2
# Y  3  4  5

print(df.T.dtypes)
# A    int64
# B    int64
# C    int64
# dtype: object

如果每一列都有不同的数据类型，则执行类型转换（广播）。例如，如果作为转置的结果生成了其中混合了整数int和浮点数float的列，则该列的数据类型变为float。

df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C'])
print(df_mix)
#    col_int  col_float
# A        0        0.1
# B        1        0.2
# C        2        0.3

print(df_mix.dtypes)
# col_int        int64
# col_float    float64
# dtype: object

print(df_mix.T)
#              A    B    C
# col_int    0.0  1.0  2.0
# col_float  0.1  0.2  0.3

print(df_mix.T.dtypes)
# A    float64
# B    float64
# C    float64
# dtype: object

即使再次转置它也无法还原。需要应用astype（）来转换数据类型。

​
print(df_mix.T.T)
#    col_int  col_float
# A      0.0        0.1
# B      1.0        0.2
# C      2.0        0.3

print(df_mix.T.T.dtypes)
# col_int      float64
# col_float    float64
# dtype: object

元素为字符串str的字符串是对象类型。

df_mix2 = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3], 'col_str': ['a', 'b', 'c']},
                       index=['A', 'B', 'C'])
print(df_mix2)
#    col_int  col_float col_str
# A        0        0.1       a
# B        1        0.2       b
# C        2        0.3       c

print(df_mix2.dtypes)
# col_int        int64
# col_float    float64
# col_str       object
# dtype: object

print(df_mix2.T)
#              A    B    C
# col_int      0    1    2
# col_float  0.1  0.2  0.3
# col_str      a    b    c

print(df_mix2.T.dtypes)
# A    object
# B    object
# C    object
# dtype: object

print(df_mix2.T.T)
#   col_int col_float col_str
# A       0       0.1       a
# B       1       0.2       b
# C       2       0.3       c

print(df_mix2.T.T.dtypes)
# col_int      object
# col_float    object
# col_str      object
# dtype: object

视图和复制

如果所有列都具有相同的数据类型，则T或transpose（）将返回视图。

原始对象和视图对象共享内存，因此更改一个元素会更改另一个元素。

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
#    X  Y
# A  0  3
# B  1  4
# C  2  5

df_T = df.T
print(df_T)
#    A  B  C
# X  0  1  2
# Y  3  4  5

df_transpose = df.transpose()
print(df_transpose)
#    A  B  C
# X  0  1  2
# Y  3  4  5

df.at['A', 'X'] = 100
print(df)
#      X  Y
# A  100  3
# B    1  4
# C    2  5

print(df_T)
#      A  B  C
# X  100  1  2
# Y    3  4  5

print(df_transpose)
#      A  B  C
# X  100  1  2
# Y    3  4  5

如果每一列的数据类型dtype不同，则T或transpose（）将生成一个副本。转置的对象保留一个新的存储区，因此，如果更改一个的值，则另一个将保持不变。

df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C'])
print(df_mix)
#    col_int  col_float
# A        0        0.1
# B        1        0.2
# C        2        0.3

df_mix_T = df_mix.T
print(df_mix_T)
#              A    B    C
# col_int    0.0  1.0  2.0
# col_float  0.1  0.2  0.3

df_mix_transpose = df_mix.transpose()
print(df_mix_transpose)
#              A    B    C
# col_int    0.0  1.0  2.0
# col_float  0.1  0.2  0.3

df_mix.at['A', 'col_int'] = 100
print(df_mix)
#    col_int  col_float
# A      100        0.1
# B        1        0.2
# C        2        0.3

print(df_mix_T)
#              A    B    C
# col_int    0.0  1.0  2.0
# col_float  0.1  0.2  0.3

print(df_mix_transpose)
#              A    B    C
# col_int    0.0  1.0  2.0
# col_float  0.1  0.2  0.3

如果仅在后续过程中使用转置的转置，则不必担心。以显式创建副本。在transpose（）中，当参数copy设置为True时，将生成一个副本。

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
#    X  Y
# A  0  3
# B  1  4
# C  2  5

df_T_copy = df.T.copy()
print(df_T_copy)
#    A  B  C
# X  0  1  2
# Y  3  4  5

df_transpose_copy = df.transpose(copy=True)
print(df_transpose_copy)
#    A  B  C
# X  0  1  2
# Y  3  4  5

df.at['A', 'X'] = 100
print(df)
#      X  Y
# A  100  3
# B    1  4
# C    2  5

print(df_T_copy)
#    A  B  C
# X  0  1  2
# Y  3  4  5

print(df_transpose_copy)
#    A  B  C
# X  0  1  2
# Y  3  4  5

transpose（）的参数副本默认为False，如果可能，则生成视图而不是副本。如上例所示，当每列的数据类型dtype不同时，即使它是默认值（copy = False），也会生成一个副本。不一定是视图。

到此这篇关于Pandas.DataFrame行和列的转置的实现的文章就介绍到这了,更多相关Pandas.DataFrame行列转置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！

您可能感兴趣的文章:

相关文章

  • 详解supervisor使用教程

    详解supervisor使用教程

    supervisor是用python写的一个进程管理工具，用来控制进程，本文为大家介绍一下supervisor使用教程，希望能够帮助到你。
    2017-11-11
  • python贪吃蛇核心功能实现上

    python贪吃蛇核心功能实现上

    我想大家都玩过诺基亚上面的贪吃蛇吧，这篇文章将带你一步步用python语言实现一个snake小游戏，文中的示例代码讲解详细，感兴趣的可以了解一下
    2022-09-09
  • pytorch逐元素比较tensor大小实例

    pytorch逐元素比较tensor大小实例

    今天小编就为大家分享一篇pytorch逐元素比较tensor大小实例，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
    2020-01-01
  • Python实现获取视频时长功能

    Python实现获取视频时长功能

    这篇文章主要介绍了Python如何实现获取视频时长功能，可以精确到毫秒。文中的示例代码简洁易懂，对我们的学习有一定的帮助，感兴趣的可以了解一下
    2021-12-12
  • Django分组聚合查询实例分享

    Django分组聚合查询实例分享

    在本篇文章里小编给大家分享的是关于Django分组聚合查询实例内容，需要的朋友们可以参考下。
    2020-04-04
  • matlab中二维插值函数interp2的使用详解

    matlab中二维插值函数interp2的使用详解

    这篇文章主要介绍了matlab中二维插值函数interp2的使用详解，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
    2020-04-04
  • python3.7 sys模块的具体使用

    python3.7 sys模块的具体使用

    这篇文章主要介绍了python3.7 sys模块的具体使用，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
    2019-07-07
  • 在unittest中使用 logging 模块记录测试数据的方法

    在unittest中使用 logging 模块记录测试数据的方法

    今天小编就为大家分享一篇在unittest中使用 logging 模块记录测试数据的方法，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
    2018-11-11
  • Caffe均值文件mean.binaryproto转mean.npy的方法

    Caffe均值文件mean.binaryproto转mean.npy的方法

    今天小编就为大家分享一篇Caffe均值文件mean.binaryproto转mean.npy的方法，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
    2018-07-07
  • K近邻法(KNN)相关知识总结以及如何用python实现

    K近邻法(KNN)相关知识总结以及如何用python实现

    这篇文章主要介绍了K近邻法(KNN)相关知识总结以及如何用python实现，帮助大家更好的利用python实现机器学习，感兴趣的朋友可以了解下
    2021-01-01

最新评论