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:
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
tmp=df.set_index(['姓名']).stack() tmp2=tmp.rename_axis(index=['姓名','科目']) tmp2.name='分数' tmp2.reset_index()
tmp=df.set_index(['姓名']).stack() tmp.index.names=['姓名','科目'] tmp.reset_index(name='分数')
tmp=df.set_index(['姓名']).stack().reset_index() tmp.columns=['姓名','科目','分数']
tmp=pd.melt(df,id_vars='姓名',var_name='科目',value_name='分数')
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。
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
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']})
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?
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
tmp2=tmp.set_index(['姓名','科目'])['分数'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
tmp2=tmp.set_index(['姓名','科目'])['分数'].unstack() df=tmp2.rename_axis(columns=None).reset_index()
df=tmp.pivot(index='姓名',columns='科目',values='分数').rename_axis(columns=None).reset_index()
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。
(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。