pandas学习第4章---变形

import numpy as np
import pandas as pd
df = pd.read_csv('data/table.csv')
df.head()

一、透视表

1. pivot

一般状态下，数据在DataFrame会以压缩（stacked）状态存放，例如下面的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()

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
因此，更多的时候会选择使用强大的pivot_table函数

df.pivot(index='School',columns='Gender',values='Height').head()
#ValueError: Index contains duplicate entries, cannot reshape

2. pivot_table

于功由能更多，速度上比不上原来的pivot函数

Pandas中提供了各种选项，其常用参数如下：

（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()
#传入mean和sum函数，对F,M分别求平均，求和

(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'

(3)行、列、值都可以为多级

pd.pivot_table(df,index=['School','Class'],#行两级
               columns=['Gender','Address'],#列两级
               values=['Height','Weight'])#值两级

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'])

交叉表的功能也很强大（但目前还不支持多级分组），其重要参数如下：

（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')

(2)normalize参数，可选’all’,‘index’,'columns’参数值

pd.crosstab(index=df['Address'],\
columns=df['Gender'],normalize='all',margins=True)

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()
df.pivot(index='ID',columns='Gender',values='Math').head()

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'))

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)

df_stacked = df_s.stack()#df_s.stack(level=-1, dropna=True)
df_stacked.groupby('Class').head(2)

#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)

(2) unstack：stack的逆函数，功能上类似于pivot_table

df_stacked.head()

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

三、哑变量与因子化

1. Dummy Variable（哑变量）

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()

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

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)

声明：本文主要参考Datawhale主办的一期Joyful-Pandas资料