dateframe的行列转换与转置。

最新推荐文章于 2024-08-11 11:10:02 发布

孤数不证

最新推荐文章于 2024-08-11 11:10:02 发布

阅读量1.3w

点赞数

本文链接：https://blog.csdn.net/weixin_43668299/article/details/97392741

版权

本文介绍了如何在Pandas中进行DataFrame的行列转换，包括使用stack将列转为行，unstack将行转为列，以及melt函数将宽数据转成长数据。此外，还提到了利用df.T，df.stack().unstack(0)和df.unstack()实现转置的三种方法。详细教程参考链接已给出。

摘要由CSDN通过智能技术生成

列转行：
维表转换为一维
一，stack 将数据的列“旋转”为行
stack函数：pandas.DataFrame.stack(self, level=-1, dropna=True)

  最外层是原先的行索引，每个行索引对应一行数据，列名与数据值一一对应。
 a、对于普通的DataFrame而言，直接列索引转换到最内层行索引，生一个Series对象.
 
 b、对于层次化索引的DataFrame而言，可以将指定的索引层转换到行上，默认是将最内层的列索引转换到最内层行.

二，unstack 将数据的行“旋转”为列
unstack函数：pandas.DataFrame.unstack(self, level=-1, fill_value=None)。
最外层的是原先的列名，一个列名对应一列数据，在其中，原先的行号与数据值一一对应

a、对于普通的DataFrame而言，直接将列索引转换到行索引的最外层索引，生成一个Series对象
b、对于层次化索引的DataFrame而言，和stack函数类似，似乎把两层索引当作一个整体，当level为列表时报错

三，melt函数：pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name=‘value’, col_level=None)
常用与将宽数据变成长数据。

结论：从上述结果可以看出，id_vars可以理解为结果需要保留的原始列，value_vars可以理解为需需要列转行的列名；v

关注