Pandas中的数据重塑（reshape）功能

引言

Pandas 是 python 中常用的数据分析软件库，它提供了 DataFrames 和 Series 的工具，这使得 numpy 和 matplotlib 可以更加便捷地读取转换数据。

数据重塑表示转换一个表格或者向量的结构，使其适合于进一步的分析。 Pandas 拥有一些其他软件不具备的重塑功能，这对初学者来说可能会比较棘手。

本文中我将举例说明 Pandas 中一些常用的重塑函数，并结合图表进行阐述。

pivot
pivot函数用于创建一个新的派生表，该函数有三个参数：index, columns和values。你需要在原始表中指定这三个参数所对定的列名，接下来pivot函数会创建一个新的表格，其中行索引和列索引都是唯一标示值，表格中的数值由原始表中参数value对应的数据所表示。

是不是感觉有点难以理解呢？看完下面这个例子你就明白了，假设给定下面这个表格：

其中 item 表示商品名称，USD 表示商品的美元价格，EU 表示欧元价格，CType 表示每个客户对应的类别。

下述代码片段用于创建 DataFrame，需要注意的是本文中所有的代码片段均需要导入以下模块：

from collections import OrderedDict
from pandas import DataFrame
import pandas as pd
import numpy as np

table = OrderDict((
    ("Item",['Item0','Item0','Item1','Item1']),
    ("CType",['Gold','Bronze','Gold','Silver']),
    ("USD",['1$','2$','3$','4$']),
    ("EU",['1€','2€','3€','4€'])
))
d = DataFrame(table)

在这个表格中，我们很难观测到商品的美元价格在不同的客户中是如何变化的。此时我们倾向于重塑表格，使得所有的价格信息都按行排列：

p = d.pivot(index='Item', columns='CType', values='USD')

上述命令创建了一个新的表格，其中列索引是 d.CType 中的唯一值，行索引是 d.Item 中的唯一值，表格中的数值由 d.USD 来填充。下图形象地展示了这个过程：

换句话说，原始表中的 USD 数据已经被转移到新表中，其中行列索引分别由 Item 和 CType 所表示，无法找到原始数据的用 NaN所表示。

下述代码介绍了如何分别从原始表和新表中查询数据：

# Original DataFrame: Access the USD cost of Item0 for Gold customers
 print(d[(d.Item=='Item0') & (d.CType=='Gold')].USD.values)
 # Pivoted DataFrame: Access the USD cost of Item0 for Gold customers
 print(p[p.index=='Item0'].Gold.values)

需要注意的是，该数据透视表中没有包含欧元价格的任何信息。事实上，数据透视表是原始表格的简化版本，它只包含我们所关心的变量信息。
Pivoting By Multiple Columns
现在我们对上述案例进行拓展，我们想将每个商品的欧元价格信息也纳入数据透视表中。这非常容易实现——我们只需将 values 参数删掉即可：

p = d.pivot(index='Item', columns='CType')

此时，Pandas会在新表格中创建一个分层列索引。你可以将分层索引想象成一个树形索引，每个行/列索引都由从最顶层的索引到底部索引的路径所组成。最顶层的索引由pivot函数中没有定义的参数所组成——比如本例中的 USD 和 EU，第二层索引表示对应列中的所有唯一值。下图形象地展示了该过程：

我们可以利用分层索引从原始表中过滤出某个变量的数据。比如p.USD将返回只包含 USD 数据的数据透视表，p.USD.Bronze将上述透视表中的第一列筛选出来。

# Original DataFrame: Access the USD cost of Item0 for Gold customers
print(d[(d.Item=='Item0')&(d.CType=='Gold')].USD.values)
# Pivoted DataFrame: p.USD gives a "sub-DataFrame" with the USD values only
print(p.USD[p.USD.index=='Item0'].Gold.values)

常见错误
从上文的描述中我们可以看出：pivot方法至少需要两个参数—— index 和 columns。那么如果原始数据集中存在重复条目时，重塑过程将会发生什么问题呢？pivot函数如何确定数据透视表中的数值呢？下图形象地展示了这个问题：

在这个案例中，原始数据集中存在重复条目，此时pivot函数无法确定数据透视表中的数值，它会返回一个错误信息：

ValueError: Index contains duplicate entries, cannot reshape  

table = OrderDict((
   ("Item",['Item0','Item0','Item0','Item1']),
   ('CType',['Gold','Bronze','Gold','Silver']),
   ('USD',['1$','2$','3$','4$']),
   ('EU',['1€','2€','3€','4€'])
))
d = DataFrame(table)
p = d.pivot(index='Item', columns='CType', values='USD')

因此，我们在调用pivot方法前需要保证数据集中不存在重复条目，否则我们需要调用另外一个方法——pivot_table。
Pivot Table
pivot_table方法可以用来解决上述问题，与pivot相比，该方法可以汇总多个重复条目的数据。换句话说，在前面的例子中，我们可以用均值、中位数或者其他汇总函数来计算重复条目的数值。下图形象地展示了这个过程：

注意，在这个例子中，我们移除了数据集中的美元和欧元符号。原始数据集中存在两行重复条目，我们利用样本均值来填充数据透视表中的数据。pivot_table方法需要传递一个新的参数 aggfunc，该参数用于指明转换时所需的汇总函数。

table = OrderDict((
   ('Item',['Item0','Item0','Item0','Item1']),
   ('CType',['Gold','Bronze','Gold','Silver']),
   ('USD',[1,2,3,4]),
   ('EU',[1.1,2.2,3.3,4.4])
))
d = DataFrame(table)
p=d.pivot_table(index='Item',columns='CType',values='USD', aggfunc=np.mean)

从本质上来说，pivot_table方法是pivot的通用版，该方法可以汇总重复条目的数据。

原文链接：http://datartisan.com/article/detail/104.html?utm_source=tuicool&utm_medium=referral