《深入浅出Pandas：利用Python进行数据处理与分析》——第3部分 数据形式变化_03多层索引、数据重塑与透视

多层索引

此前处理的数据均为单层索引，即熟知的数学矩阵的样式，多层索引即为高维数据的处理
何为多层索引,一个轴上有多层的索引,例如书中所举例子,各个班级作为索引，班级又可分为男女学生

多层索引概述

1. 多层索引数据展示

df.groupby(['team', df.mean(1)>=60]).count()  # 利用分组条件产生多层索引，team为首层、其次为是否均值大于60的索引
# 出现告警：Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction.
# 这是由于mean计算的DataFrame中出现了非数值列, 如下优化:
df.groupby(['team', df.select_dtypes('number').mean(1)>=60]).count()

2.列表构建多层索引并使用

arrays = [[1,1,2,2],['A','B','A','B']]
index = pd.MultiIndex.from_arrays(arrays, names=('class', 'team'))  # 自定义二层索引
tf = pd.DataFrame([{'Q1':60, 'Q2':70}], index=index)
tf

3.元组构建多层索引并使用

arrays = [[1,1,2,2],['A','B','A','B']]
tuples = list(zip(*arrays))
index = pd.MultiIndex.from_tuples(tuples, names=('class', 'team'))  # 自定义二层索引
tf = pd.DataFrame([{'Q1':60, 'Q2':70}], index=index)
tf

4. 笛卡尔积构建多层索引

_calss = [1, 2]
team = ['A', 'B']
index = pd.MultiIndex.from_product([_calss, team], names=['class', 'team'])
tf = pd.DataFrame([{'Q1':60, 'Q2':70}], index=index)
tf

5.将DataFrame转换成多层索引

df = pd.DataFrame([['1', 'A'], ['1', 'B'], ['2', 'B'], ['2', 'B']], columns=['class', 'team'])
index = pd.MultiIndex.from_frame(df)  # 
import numpy as np
pd.Series(np.random.randn(4), index=index)

多层索引操作

多层索引操作和普通索引【单层索引】操作的基本是一致的，下面是一些示例
利用df生成一个多索引数据

mf = df.drop(columns=['name', 'team'])[:10]
index = pd.MultiIndex.from_product([[i+1 for i in range(5)], ['男',' 女']], names=['班级', '性别'])  # 多层行索引
columns = pd.MultiIndex.from_product([['2020', '2021'], ['上半年', '下半年']], names=['年份', '学期'])  # 多层列索引
mf.columns = columns
mf.index = index
mf

索引信息查看

mf.index  # 行索引
mf.columns  # 列索引
mf.index.names   # 行索引名称
mf.columns.names  # 列索引名称

查看索引的层级及内容

mf.index.levels  # 行的层级
mf.index.nlevels  # 行的层级数
mf.columns.levels  # 列的层级
mf.columns.nlevels  # 列的层级数
mf.index.get_level_values(1)  # 查看行索引第二层索引的内容
mf.index.get_level_values('班级')  # 按索引名称获取索引内容

排序

mf.sort_values('性别')

数据查询

多层索引的数据查询相对单层索引要复杂些，在查询前要确定需求，确定所属的具体层级

# 使用之前的数据
mf = df.drop(columns=['name', 'team'])[:10]
index = pd.MultiIndex.from_product([[i+1 for i in range(5)], ['男',' 女']], names=['班级', '性别'])  # 多层行索引
columns = pd.MultiIndex.from_product([['2020', '2021'], ['上半年', '下半年']], names=['年份', '学期'])  # 多层列索引
mf.columns = columns
mf.index = index

基本查询

mf.loc[2]  # 2班数据
mf.loc[2, '男']  # 2班男生数据
mf['2020']  # 列：2020年数据
mf['2020','上半年']  # 列：2020年上半年数据
mf.loc[2,'男']['2020']  # 2班男生2020年数据
mf.loc[(2,'男'),'2020']  # 同上

条件查询

mf[mf[('2020','上半年')]> 80]  # 和单层条件查询一致，仅多了一个索引
# 使用pd.IndexSlice切片索引数据
idx = pd.IndexSlice
mf.loc[idx[[1,2],['男']],idx[['2020'],:]]  # 利用idx切片行索引、列索引
# 同理,使用mf.xs()方法,传入索引元组
mf.xs((1,'男'))  # 1班男生
mf.xs((1,'男')).xs(('2020','上半年'))  # 先行后列筛选
mf.xs('2020', level=0, axis=1)  # 利用level指定索引层级，axis指定行或列索引

数据重塑与透视

之前介绍所有内容的都是数据的查看、操作、分组、聚合、多层索引等操作，是对数据的检索和整理。
数据重塑与透视，是数据表达的升华，抓住数据表现之外的所表达的内涵，从数据表达的一个逻辑到另外一个逻辑。

数据透视【pivot】

透视数据的能力，找出(大量复杂无关的)数据的内在关系，将数据转化为有意义、有价值的信息，从而发现其所代表的事务规律和本质。

# 构造例子数据
df = pd.DataFrame({
    'A':['a1', 'a1', 'a2', 'a2', 'a3', 'a3'],
    'B':['b1', 'b2', 'b3', 'b1', 'b2', 'b3'],
    'C':['c1', 'c2', 'c3', 'c4', 'c5', 'c6'],
    'D':[1, 2, 3, 4, 5, 6],
})
# 透视A和B列组合对应的数据,C作为值
df.pivot(index='A', columns='B', values=None)
# 聚合透视，aggfun支持单个或多种聚合函数
df.pivot_table(index=['A', 'B'], columns='C', values='D', aggfunc=[sum], fill_value=0, margins=True)

数据堆叠【stack/unstack】

数据的展开和收缩问题
堆叠：将多列数据转为一列的操作，具体为将这些数据列的所有数据表全部旋转到行上
解堆：堆叠的逆过程，将行上的索引旋转到列上

df = pd.DataFrame({
    'A':['a1', 'a1', 'a2', 'a2'],
    'B':['b1', 'b2', 'b1', 'b2'],
    'C':[1, 2, 3, 4],
    'D':[5, 6, 7, 8],
    'E':[5, 6, 7, 8]
})
df.set_index(['A', 'B'], inplace=True)
s = df.stack()  # 堆叠
s.unstack()  # 解堆

交叉表 【crosstab】

用于统计分组频率的特殊透视表。将两列或多列中不重复的元素组成新的DataFrame，新数据的行和列交叉部分的值为其组合在原数据中的数量

df = pd.DataFrame({
    'A':['a1', 'a1', 'a2', 'a2', 'a1'],
    'B':['b2', 'b1', 'b2', 'b2', 'b1'],
    'C':[1, 2, 3, 4, 5],
})
pd.crosstab(df['A'], df['B'])
# 分类数据交叉表,这里属实有点不懂了，据说后续章节会介绍......
one = pd.Categorical(['a', 'b'], categories=['a', 'b', 'c'])
two = pd.Categorical(['d', 'e'], categories=['d', 'e', 'f'])
pd.crosstab(one, two)
# 归一化
pd.crosstab(df['A'], df['B'], normalize=True)
#指定聚合方法
pd.crosstab(df['A'], df['B'], values=df['C'], aggfunc=sum)

数据转置【.T】

数据的转置为行变成列，列变成行数据，改变了数据的性质和逻辑

# 转置
df.T
# 轴交换,暂未体会到该函数意义，和df.T重合
df.swapaxes("index", "columns")  # 同df.T

数据融合【melt】

数据融合是数据透视的逆操作[有个没get到]，将指定的列铺开【同列属性的列变成一列？】，看个例子

原本df

数据融合后，name和team作为标识

其余的列均作为融合的属性

虚拟变量【get_dummies】

虚设变量、名义变量或哑变量，是一个用来反映质的属性的人工变量，是量化了的自变量，通常取值为0或1，被用于one-hot特征提取。
虚变量是将一列或多列的去重值作为新报的列，每列的值由0或1组成：如果原来位置的值与列名相同，则在新表中该位置的值为1，否则为0.

看一个例子

直接传入DataFrame,会将所有非数字列生成虚拟变量

df = pd.DataFrame({'a':list('abcd'),
                   'b':list('fehg'),
                   'a1':range(4),
                   'b1':range(4,8)})
pd.get_dummies(df)
pd.get_dummies(df, columns=['a'])
pd.get_dummies(df.a1, prefix='prefix')

因子化【factorize】

存在大量重复值的一维数据解析成枚举值的过程。【一是数据编码，二是数据】

datas = ['b', 'b', 'a', 'c', 'b']
codes, uniques = pd.factorize(datas)
codes, uniques
codes, uniques = pd.factorize(datas, sort=True)  # 排序
codes, uniques = pd.factorize(['b', None, 'a', 'c', 'b'])  # 缺失值为-1
cat = pd.Categorical(['a', 'a', 'c'], categories=['a', 'b', 'c'])  # 枚举数据因子化
pd.factorize(cat, sort=True)

爆炸列表【explode】

# >爆炸：指将类似列表的每个元素转换为一行，索引值是相同的

## Series爆炸
s = pd.Series([[1, 2, 3], 'foo', [], [3, 4]])
s.explode()  # 爆炸列

## DataFrame爆炸
df = pd.DataFrame({"A":[[1, 2, 3], 'foo', [], [3, 4]], "B":range(4)})
df.explode('A')  # 爆炸指定列
## 非列表数据的爆炸
df = pd.DataFrame([{"var1":'a,b,c', 'var2':1}, {'var1':'d,e,f', 'var2':2}])
df.assign(var1=df.var1.str.split(',')).explode('var1')  # 先转换为列表再爆炸