第4章 变形

第4章 变形

import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv')
df.head()
SchoolClassIDGenderAddressHeightWeightMathPhysics
0S_1C_11101Mstreet_11736334.0A+
1S_1C_11102Fstreet_21927332.5B+
2S_1C_11103Mstreet_21868287.2B+
3S_1C_11104Fstreet_21678180.4B-
4S_1C_11105Fstreet_41596484.8B+

一、透视表

1. pivot

一般状态下,数据在DataFrame会以压缩(stacked)状态存放,例如上面的Gender,两个类别被叠在一列中,pivot函数可将某一列作为新的cols:
df.pivot(index='ID',columns='Gender',values='Height').head()
GenderFM
ID
1101NaN173.0
1102192.0NaN
1103NaN186.0
1104167.0NaN
1105159.0NaN
然而pivot函数具有很强的局限性,除了功能上较少之外,还不允许values中出现重复的行列索引对(pair),例如下面的语句就会报错:
#df.pivot(index='School',columns='Gender',values='Height').head()
因此,更多的时候会选择使用强大的pivot_table函数

2. pivot_table

首先,再现上面的操作:
pd.pivot_table(df,index='ID',columns='Gender',values='Height').head()
GenderFM
ID
1101NaN173.0
1102192.0NaN
1103NaN186.0
1104167.0NaN
1105159.0NaN
由于功能更多,速度上自然是比不上原来的pivot函数:
%timeit df.pivot(index='ID',columns='Gender',values='Height')
%timeit pd.pivot_table(df,index='ID',columns='Gender',values='Height')
2.28 ms ± 74.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
9.77 ms ± 498 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
Pandas中提供了各种选项,下面介绍常用参数:
① aggfunc:对组内进行聚合统计,可传入各类函数,默认为’mean’
pd.pivot_table(df,index='School',columns='Gender',values='Height',aggfunc=['mean','sum']).head()
meansum
GenderFMFM
School
S_1173.125000178.71428613851251
S_2173.727273172.00000019111548
② margins:汇总边际状态
pd.pivot_table(df,index='School',columns='Gender',values='Height',aggfunc=['mean','sum'],margins=True).head()
#margins_name可以设置名字,默认为'All'
meansum
GenderFMAllFMAll
School
S_1173.125000178.714286175.733333138512512636
S_2173.727273172.000000172.950000191115483459
All173.473684174.937500174.142857329627996095
③ 行、列、值都可以为多级
pd.pivot_table(df,index=['School','Class'],
               columns=['Gender','Address'],
               values=['Height','Weight'])
Height...Weight
GenderFM...FM
Addressstreet_1street_2street_4street_5street_6street_7street_1street_2street_4street_5...street_4street_5street_6street_7street_1street_2street_4street_5street_6street_7
SchoolClass
S_1C_1NaN179.5159.0NaNNaNNaN173.0186.0NaNNaN...64.0NaNNaNNaN63.082.0NaNNaNNaNNaN
C_2NaNNaN176.0162.0167.0NaNNaNNaNNaN188.0...94.063.063.0NaNNaNNaNNaN68.053.0NaN
C_3175.0NaNNaN187.0NaNNaNNaN195.0161.0NaN...NaN69.0NaNNaNNaN70.068.0NaNNaN82.0
S_2C_1NaNNaNNaN159.0161.0NaNNaNNaN163.5NaN...NaN97.061.0NaNNaNNaN71.0NaNNaN84.0
C_2NaNNaNNaNNaNNaN188.5175.0NaN155.0193.0...NaNNaNNaN76.574.0NaN91.0100.0NaNNaN
C_3NaNNaN157.0NaN164.0190.0NaNNaN187.0171.0...78.0NaN81.099.0NaNNaN73.088.0NaNNaN
C_4NaN176.0NaNNaN175.5NaNNaNNaNNaNNaN...NaNNaN57.0NaNNaNNaNNaNNaNNaN82.0

7 rows × 24 columns

3. crosstab(交叉表)

交叉表是一种特殊的透视表,典型的用途如分组统计,如现在想要统计关于街道和性别分组的频数:
pd.crosstab(index=df['Address'],columns=df['Gender'])
GenderFM
Address
street_112
street_242
street_435
street_533
street_651
street_733
交叉表的功能也很强大(但目前还不支持多级分组),下面说明一些重要参数:
① values和aggfunc:分组对某些数据进行聚合操作,这两个参数必须成对出现
pd.crosstab(index=df['Address'],columns=df['Gender'],
            values=np.random.randint(1,20,df.shape[0]),aggfunc='min')
#默认参数等于如下方法:
#pd.crosstab(index=df['Address'],columns=df['Gender'],values=1,aggfunc='count')
GenderFM
Address
street_164
street_2105
street_462
street_5108
street_694
street_784
② 除了边际参数margins外,还引入了normalize参数,可选’all’,‘index’,'columns’参数值
pd.crosstab(index=df['Address'],columns=df['Gender'],normalize='all',margins=True)
GenderFMAll
Address
street_10.0285710.0571430.085714
street_20.1142860.0571430.171429
street_40.0857140.1428570.228571
street_50.0857140.0857140.171429
street_60.1428570.0285710.171429
street_70.0857140.0857140.171429
All0.5428570.4571431.000000

二、其他变形方法

1. melt

melt函数可以认为是pivot函数的逆操作,将unstacked状态的数据,压缩成stacked,使“宽”的DataFrame变“窄”
df_m = df[['ID','Gender','Math']]
df_m.head()
IDGenderMath
01101M34.0
11102F32.5
21103M87.2
31104F80.4
41105F84.8
df.pivot(index='ID',columns='Gender',values='Math').head()
GenderFM
ID
1101NaN34.0
110232.5NaN
1103NaN87.2
110480.4NaN
110584.8NaN
melt函数中的id_vars表示需要保留的列,value_vars表示需要stack的一组列
pivoted = df.pivot(index='ID',columns='Gender',values='Math')
result = pivoted.reset_index().melt(id_vars=['ID'],value_vars=['F','M'],value_name='Math')\
                     .dropna().set_index('ID').sort_index()
#检验是否与展开前的df相同,可以分别将这些链式方法的中间步骤展开,看看是什么结果
result.equals(df_m.set_index('ID'))
True

2. 压缩与展开

(1)stack:这是最基础的变形函数,总共只有两个参数:level和dropna
df_s = pd.pivot_table(df,index=['Class','ID'],columns='Gender',values=['Height','Weight'])
df_s.groupby('Class').head(2)
HeightWeight
GenderFMFM
ClassID
C_11101NaN173.0NaN63.0
1102192.0NaN73.0NaN
C_21201NaN188.0NaN68.0
1202176.0NaN94.0NaN
C_31301NaN161.0NaN68.0
1302175.0NaN57.0NaN
C_42401192.0NaN62.0NaN
2402NaN166.0NaN82.0
df_stacked = df_s.stack()
df_stacked.groupby('Class').head(2)
HeightWeight
ClassIDGender
C_11101M173.063.0
1102F192.073.0
C_21201M188.068.0
1202F176.094.0
C_31301M161.068.0
1302F175.057.0
C_42401F192.062.0
2402M166.082.0
stack函数可以看做将横向的索引放到纵向,因此功能类似与melt,参数level可指定变化的列索引是哪一层(或哪几层,需要列表)
df_stacked = df_s.stack(0)
df_stacked.groupby('Class').head(2)
GenderFM
ClassID
C_11101HeightNaN173.0
WeightNaN63.0
C_21201HeightNaN188.0
WeightNaN68.0
C_31301HeightNaN161.0
WeightNaN68.0
C_42401Height192.0NaN
Weight62.0NaN
(2) unstack:stack的逆函数,功能上类似于pivot_table
df_stacked.head()
GenderFM
ClassID
C_11101HeightNaN173.0
WeightNaN63.0
1102Height192.0NaN
Weight73.0NaN
1103HeightNaN186.0
result = df_stacked.unstack().swaplevel(1,0,axis=1).sort_index(axis=1)
result.equals(df_s)
#同样在unstack中可以指定level参数
True

三、哑变量与因子化

1. Dummy Variable(哑变量)

这里主要介绍get_dummies函数,其功能主要是进行one-hot编码:
df_d = df[['Class','Gender','Weight']]
df_d.head()
ClassGenderWeight
0C_1M63
1C_1F73
2C_1M82
3C_1F81
4C_1F64
现在希望将上面的表格前两列转化为哑变量,并加入第三列Weight数值:
pd.get_dummies(df_d[['Class','Gender']]).join(df_d['Weight']).head()
#可选prefix参数添加前缀,prefix_sep添加分隔符
Class_C_1Class_C_2Class_C_3Class_C_4Gender_FGender_MWeight
010000163
110001073
210000182
310001081
410001064

2. factorize方法

该方法主要用于自然数编码,并且缺失值会被记做-1,其中sort参数表示是否排序后赋值
codes, uniques = pd.factorize(['b', None, 'a', 'c', 'b'], sort=True)
display(codes)
display(uniques)
array([ 1, -1,  0,  2,  1])



array(['a', 'b', 'c'], dtype=object)

四、问题与练习

1. 问题

【问题一】 上面提到了许多变形函数,如melt/crosstab/pivot/pivot_table/stack/unstack函数,请总结它们各自的使用特点。
melt:将某一列横向展开,即该列每一个值作为新列
crosstab:交叉表是一种特殊的透视表,典型的用途如分组统计,统计两列特征值组合的频数
pivot:将某一列横向展开,即该列每一个值作为新列,要求列值和索引组合不能重复
pivot_table:pd函数将某一列横向展开,即该列每一个值作为新列,列值和索引组合可以重复,但运行速度慢
stack:相当于pivot的逆操作
unstack:和pivot_table类似,是stack的逆操作
【问题二】 变形函数和多级索引是什么关系?哪些变形函数会使得索引维数变化?具体如何变化?
变形函数会增加或减少新列,而多级索引不会,展示方式不一样  
unstack和pivot_table:可设置多级索引,使维度增加
#### 【问题三】 请举出一个除了上文提过的关于哑变量方法的例子。
from numpy import array
from numpy import argmax
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
# define example
data = df['Gender']
values = array(data)
print(values)
# integer encode
label_encoder = LabelEncoder()
integer_encoded = label_encoder.fit_transform(values)
print(integer_encoded)
# binary encode
onehot_encoder = OneHotEncoder(sparse=False)
integer_encoded = integer_encoded.reshape(len(integer_encoded), 1)
onehot_encoded = onehot_encoder.fit_transform(integer_encoded)
print(onehot_encoded)
# invert first example
inverted = label_encoder.inverse_transform([argmax(onehot_encoded[0, :])])
# print(inverted)

['M' 'F' 'M' 'F' 'F' 'M' 'F' 'M' 'F' 'F' 'M' 'F' 'M' 'M' 'F' 'M' 'F' 'M'
 'F' 'M' 'M' 'F' 'M' 'M' 'F' 'F' 'M' 'F' 'F' 'M' 'F' 'M' 'F' 'F' 'F']
[1 0 1 0 0 1 0 1 0 0 1 0 1 1 0 1 0 1 0 1 1 0 1 1 0 0 1 0 0 1 0 1 0 0 0]
[[0. 1.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [0. 1.]
 [1. 0.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [0. 1.]
 [1. 0.]
 [1. 0.]
 [1. 0.]]
#### 【问题四】 使用完stack后立即使用unstack一定能保证变化结果与原始表完全一致吗?
df_s = pd.pivot_table(df,index=['Class','ID'],columns=['Gender','Address'],values='Height')
df_s.head()
GenderFM
Addressstreet_1street_2street_4street_5street_6street_7street_1street_2street_4street_5street_6street_7
ClassID
C_11101NaNNaNNaNNaNNaNNaN173.0NaNNaNNaNNaNNaN
1102NaN192.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1103NaNNaNNaNNaNNaNNaNNaN186.0NaNNaNNaNNaN
1104NaN167.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1105NaNNaN159.0NaNNaNNaNNaNNaNNaNNaNNaNNaN
df_s.stack().unstack().head()
GenderFM
Addressstreet_1street_2street_4street_5street_6street_7street_1street_2street_4street_5street_6street_7
ClassID
C_11101NaNNaNNaNNaNNaNNaN173.0NaNNaNNaNNaNNaN
1102NaN192.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1103NaNNaNNaNNaNNaNNaNNaN186.0NaNNaNNaNNaN
1104NaN167.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
1105NaNNaN159.0NaNNaNNaNNaNNaNNaNNaNNaNNaN

不一定,数据顺序可能变了

#### 【问题五】 透视表中涉及了三个函数,请分别使用它们完成相同的目标(任务自定)并比较哪个速度最快。
%timeit df.pivot(index='ID',columns='Gender')
%timeit pd.pivot_table(df,index='ID',columns='Gender')
%timeit pd.crosstab(index=df['Address'],columns=df['Gender'])
19.7 ms ± 1.6 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
34 ms ± 1.8 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
27 ms ± 1.78 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

pivot最快,crosstab次之,pivot_table最慢m

#### 【问题六】 既然melt起到了stack的功能,为什么再设计stack函数?
参数level可指定变化的列索引是哪一层

2. 练习

【练习一】 继续使用上一章的药物数据集:
df=pd.read_csv('data/Drugs.csv')
df.head()
YYYYStateCOUNTYSubstanceNameDrugReports
02010VAACCOMACKPropoxyphene1
12010OHADAMSMorphine9
22010PAADAMSMethadone2
32010VAALEXANDRIA CITYHeroin5
42010PAALLEGHENYHydromorphone5
(a) 现在请你将数据表转化成如下形态,每行需要显示每种药物在每个地区的10年至17年的变化情况,且前三列需要排序:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AqjyQ4xO-1588087614211)(picture/drug_pic.png)]

result = pd.pivot_table(df,index=['State','COUNTY','SubstanceName']
                 ,columns='YYYY'
                 ,values='DrugReports',fill_value='-').reset_index().rename_axis(columns={'YYYY':''})
result.head()
StateCOUNTYSubstanceName20102011201220132014201520162017
0KYADAIRBuprenorphine-354275710
1KYADAIRCodeine--1----1
2KYADAIRFentanyl--1-----
3KYADAIRHeroin--12-1-2
4KYADAIRHydrocodone69101097113
#### (b) 现在请将(a)中的结果恢复到原数据表,并通过equal函数检验初始表与新的结果是否一致(返回True)
result_melted = result.melt(id_vars=result.columns[:3],value_vars=result.columns[-8:]
                ,var_name='YYYY',value_name='DrugReports').query('DrugReports != "-"')
result2 = result_melted.sort_values(by=['State','COUNTY','YYYY'
                                    ,'SubstanceName']).reset_index().drop(columns='index')
#下面其实无关紧要,只是交换两个列再改一下类型(因为‘-’所以type变成object了)
cols = list(result2.columns)
a, b = cols.index('SubstanceName'), cols.index('YYYY')
cols[b], cols[a] = cols[a], cols[b]
result2 = result2[cols].astype({'DrugReports':'int','YYYY':'int'})
result2.head()
StateCOUNTYYYYYSubstanceNameDrugReports
0KYADAIR2010Hydrocodone6
1KYADAIR2010Methadone1
2KYADAIR2011Buprenorphine3
3KYADAIR2011Hydrocodone9
4KYADAIR2011Morphine2
【练习二】 现有一份关于某地区地震情况的数据集,请解决如下问题:
df=pd.read_csv('data/Earthquake.csv')
df.head()
日期时间维度经度方向距离深度烈度
02003.05.2012:17:44 AM39.0440.38west0.110.00.0
12007.08.0112:03:08 AM40.7930.09west0.15.24.0
21978.05.0712:41:37 AM38.5827.61south_west0.10.00.0
31997.03.2212:31:45 AM39.4736.44south_west0.110.00.0
42000.04.0212:57:38 AM40.8030.24south_west0.17.00.0
(a) 现在请你将数据表转化成如下形态,将方向列展开,并将距离、深度和烈度三个属性压缩:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6Ku5pzZE-1588087614222)(picture/earthquake_pic.png)]

result = pd.pivot_table(df,index=['日期','时间','维度','经度'],columns='方向',values=['深度','烈度','距离'],fill_value='-').stack(0).rename_axis(index={None:'地震参数'})
result
方向eastnorthnorth_eastnorth_westsouthsouth_eastsouth_westwest
日期时间维度经度地震参数
1912.08.0912:29:00 AM40.6027.20深度-----16--
烈度-----6.7--
距离-----4.3--
1912.08.1012:23:00 AM40.6027.10深度------15-
烈度------6-
.......................................
2017.07.3012:21:33 AM37.3931.37烈度------3.5-
距离------6-
2017.07.3112:11:31 AM37.4231.37深度---5.1----
烈度---3.5----
距离---6.2----

30186 rows × 8 columns

(b) 现在请将(a)中的结果恢复到原数据表,并通过equal函数检验初始表与新的结果是否一致(返回True)
res = result.unstack().stack(0)[(~(result.unstack().stack(0)=='-')).any(1)].reset_index().rename_axis(columns={'地震参数':''}).sort_index(axis=1)

res[['日期','时间','维度','经度','方向','距离','深度','烈度']]
日期时间维度经度方向距离深度烈度
01912.08.0912:29:00 AM40.6027.20south_east4.3166.7
11912.08.1012:23:00 AM40.6027.10south_west2156
21912.08.1012:30:00 AM40.6027.10south_west2155.2
31912.08.1112:19:04 AM40.6027.20south_east4.3304.9
41912.08.1112:20:00 AM40.6027.10south_west2154.5
...........................
100572017.07.2612:50:05 AM40.7632.87south_east2.153.7
100582017.07.2912:24:11 AM37.1228.59north0.553.9
100592017.07.2912:33:23 AM37.1127.73north_east1.26.53.5
100602017.07.3012:21:33 AM37.3931.37south_west653.5
100612017.07.3112:11:31 AM37.4231.37north_west6.25.13.5

10062 rows × 8 columns

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值