在Pandas DataFrame中重塑数据

目录

介绍

透视Pandas DataFrame

在Pandas DataFrame中对数据进行分组

总结

---

使用我们的数据集后，我们将快速查看可以使用流行的Python库从数据集轻松创建的可视化，然后逐步介绍一个可视化示例。

• 下载CSV和数据库文件-127.8 KB
• 下载源代码122.4 KB

介绍

本文是使用Python和Pandas进行数据清理系列的一部分。它旨在利用数据科学工具和技术来使开发人员快速启动并运行。

如果您想查看本系列的其他文章，可以在这里找到它们：

• 第1部分-介绍Jupyter和Pandas
• 第2部分-将CSV和SQL数据加载到Pandas中
• 第3部分-纠正Pandas中的缺失数据
• 第4部分-合并Pandas中的多个数据集
• 第5部分-清理Pandas DataFrame中的数据
• 第6部分-重塑Pandas DataFrame中的数据
• 第7部分-使用Seaborn和Pandas进行数据可视化

有时，即使清理完数据集后，有时仍然需要重塑Pandas DataFrame以充分利用数据。重塑是操纵表结构以形成不同的数据集时使用的术语，例如将“宽”数据表设置为“长”。

如果您使用过Excel中的数据透视表或许多关系数据库中内置的数据透视和交叉表支持，那么您会感到熟悉这一点。

例如，上面的表格（来自Pandas文档）已通过透视、堆叠或拆开表格进行了调整。

• pivot方法采用具有多个索引的大型数据集并将其汇总
• stack方法采用具有多个索引的表并将其分组
• unstack方法采用具有多个唯一列的表并将其取消分组

在此阶段，我们将研究多种方法来使用Pandas重塑数据。我们将看到如何使用数据帧的透视和堆栈来获取数据的不同图片。

请注意，我们已经使用该系列模块的源数据文件创建了完整的Jupyter Notebook，您可以在本文头部下载和安装。

透视Pandas DataFrame

借助Pandas，我们可以使用pivot函数从现有的框架创建一个新的DataFrame。目前，我们的表已按购买ID创建索引，但让我们将之前创建的combinedData表转换为更有趣的表。

首先，让我们尝试以下pivot方法，方法是启动一个新的代码块并添加：

productsByState = combinedData.pivot(index='product_id', columns='company', values='paid')

结果看起来像这样：

运行此命令会产生重复的索引错误，pivot仅适用于具有唯一键的DataFrame。

但是还有另一种方法可以使我们得到解决这个问题的方法。pivot_table的工作原理与数据透视类似，但它会汇总重复的值而不产生错误。

• pivot_table方法需要一个大数据集，并通过汇总重复项对其进行汇总

让我们将此方法与默认值一起使用：

productsByState = combinedData.pivot_table(index=['product_id', 'product'], columns='state', values='paid')

您可以在此处查看结果：

这将生成一个DataFrame，其中包含产品列表以及各列中每个状态的平均值。这并不是真的那么有用，所以让我们更改聚合方法：

reshapedData = combinedData.pivot_table(index=['product_id', 'product'], columns='state', values='paid', aggfunc=np.sum)
reshapedData = reshapedData.fillna(0)
print(reshapedData.head(10))

现在，这将生成一张产品表，其中包含各州所有这些产品的销售总额。此方法的第二行还将删除NaN值，并将其替换为0，因为假定该产品在该状态下没有销售。

在Pandas DataFrame中对数据进行分组

我们将看到的另一种重塑活动是将数据元素分组在一起。让我们回到原始的大型DataFrame并创建一个将单个客户的交易分组在一起的新DataFrame。

• groupby方法采用大型数据集并按列值分组

启动一个新的代码块并添加：

volumesData = combinedData.groupby(by='customer_id') print(volumesData.head(10))

结果如下：

看起来并没有真正做任何事情，因为我们的DataFrame是在purchase_id上建立索引的。

让我们添加一个汇总函数来汇总数据，以便我们的分组按预期进行：

volumesData = combinedData.groupby(by='customer_id').sum()
print(volumesData.head(10))

再次，这是结果：

这会按照我们期望的方式对数据集进行分组，但是我们似乎缺少了一些列并且purchase_id没有任何意义，因此让我们扩展groupby方法并修剪该purchase_id列：

volumesData = combinedData.groupby(by=['customer_id','first_name','last_name','product_id','product']).sum()
volumesData.drop(columns='purchase_id', inplace=True)
print(volumesData.head(10))

这是我们的新结果：

最终结果看起来不错，使我们对客户正在购买的商品、金额以及支付的金额有一个很好的了解。

最后，我们将对groupby数据集进行另一项更改。添加以下内容以创建每个状态的总计DataFrame：

totalsData = combinedData.groupby(by='state').sum().reset_index()
totalsData.drop(columns=['purchase_id','customer_id','product_id'], inplace=True)

这里的关键变化是我们在reset_index方法之后添加了一个sum方法。这是为了确保生成的DataFrame对于我们的可视化工作具有可用的索引。

总结

我们采用了完整、干净的数据集，并以几种不同的方式对其进行了调整，以使我们对数据有更多的了解。

接下来，我们将看一下可视化，看看它们如何成为展示我们的数据并确保结果干净的重要工具。