pandas重塑

最新推荐文章于 2024-01-13 17:26:30 发布
最新推荐文章于 2024-01-13 17:26:30 发布
阅读量141 收藏
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46172092/article/details/104549669
版权 
{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "\n",
    "import pandas as pd"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### 行变成列 unstack"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 13,
   "metadata": {
    "collapsed": true
   },
   "outputs": [
    {
     "data": {
      "text/plain": [
       "(10,)"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/plain": [
       "A  期中     29\n",
       "   期末     60\n",
       "B  期中    137\n",
       "   期末     14\n",
       "C  期中     68\n",
       "   期末      5\n",
       "D  期中     83\n",
       "   期末     34\n",
       "E  期中     29\n",
       "   期末    127\n",
       "Name: Python, dtype: int32"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/plain": [
       "'-----------------------'"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/plain": [
       "(5, 2)"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>期中</th>\n",
       "      <th>期末</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>A</th>\n",
       "      <td>29</td>\n",
       "      <td>60</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>B</th>\n",
       "      <td>137</td>\n",
       "      <td>14</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>C</th>\n",
       "      <td>68</td>\n",
       "      <td>5</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>D</th>\n",
       "      <td>83</td>\n",
       "      <td>34</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>E</th>\n",
       "      <td>29</td>\n",
       "      <td>127</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "    期中   期末\n",
       "A   29   60\n",
       "B  137   14\n",
       "C   68    5\n",
       "D   83   34\n",
       "E   29  127"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "# pd.MultiIndex.from_product多重索引，二层\n",
    "s = pd.Series(np.random.randint(0,151,size = 10),\n",
    "              index = pd.MultiIndex.from_product([list('ABCDE'),['期中','期末']]),\n",
    "              name = 'Python')\n",
    "# 重塑，重新改变其形状，== numpy.reshape\n",
    "# unstack stack 堆 先进先出\n",
    "# 摞起来的，一堆书，落起来\n",
    "# unstack将行变成列\n",
    "df = s.unstack()\n",
    "display(s.shape,s,'-----------------------',df.shape,df)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### 列变成行 stack"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {
    "collapsed": true
   },
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>Python</th>\n",
       "      <th>数学</th>\n",
       "      <th>En</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>A</th>\n",
       "      <td>49</td>\n",
       "      <td>137</td>\n",
       "      <td>71</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>B</th>\n",
       "      <td>68</td>\n",
       "      <td>50</td>\n",
       "      <td>146</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>C</th>\n",
       "      <td>110</td>\n",
       "      <td>137</td>\n",
       "      <td>45</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>D</th>\n",
       "      <td>33</td>\n",
       "      <td>49</td>\n",
       "      <td>102</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>E</th>\n",
       "      <td>13</td>\n",
       "      <td>37</td>\n",
       "      <td>26</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "   Python   数学   En\n",
       "A      49  137   71\n",
       "B      68   50  146\n",
       "C     110  137   45\n",
       "D      33   49  102\n",
       "E      13   37   26"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/plain": [
       "(15,)"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    },
    {
     "data": {
      "text/plain": [
       "A  Python     49\n",
       "   数学        137\n",
       "   En         71\n",
       "B  Python     68\n",
       "   数学         50\n",
       "   En        146\n",
       "C  Python    110\n",
       "   数学        137\n",
       "   En         45\n",
       "D  Python     33\n",
       "   数学         49\n",
       "   En        102\n",
       "E  Python     13\n",
       "   数学         37\n",
       "   En         26\n",
       "dtype: int32"
      ]
     },
     "metadata": {},
     "output_type": "display_data"
    }
   ],
   "source": [
    "df2 = pd.DataFrame(np.random.randint(0,151,size = (5,3)),\n",
    "                   index = list('ABCDE'),\n",
    "                   columns=['Python','数学','En'])\n",
    "\n",
    "# 这一步操作，就是重塑，也就是reshape\n",
    "s2 = df2.stack()\n",
    "display(df2,s2.shape,s2)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {
    "scrolled": true
   },
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>A</th>\n",
       "      <th>B</th>\n",
       "      <th>C</th>\n",
       "      <th>D</th>\n",
       "      <th>E</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>Python</th>\n",
       "      <td>49</td>\n",
       "      <td>68</td>\n",
       "      <td>110</td>\n",
       "      <td>33</td>\n",
       "      <td>13</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>数学</th>\n",
       "      <td>137</td>\n",
       "      <td>50</td>\n",
       "      <td>137</td>\n",
       "      <td>49</td>\n",
       "      <td>37</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>En</th>\n",
       "      <td>71</td>\n",
       "      <td>146</td>\n",
       "      <td>45</td>\n",
       "      <td>102</td>\n",
       "      <td>26</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "          A    B    C    D   E\n",
       "Python   49   68  110   33  13\n",
       "数学      137   50  137   49  37\n",
       "En       71  146   45  102  26"
      ]
     },
     "execution_count": 16,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "# 转置\n",
    "df2.T"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 18,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>A</th>\n",
       "      <th>B</th>\n",
       "      <th>C</th>\n",
       "      <th>D</th>\n",
       "      <th>E</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>Python</th>\n",
       "      <td>49</td>\n",
       "      <td>68</td>\n",
       "      <td>110</td>\n",
       "      <td>33</td>\n",
       "      <td>13</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>数学</th>\n",
       "      <td>137</td>\n",
       "      <td>50</td>\n",
       "      <td>137</td>\n",
       "      <td>49</td>\n",
       "      <td>37</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>En</th>\n",
       "      <td>71</td>\n",
       "      <td>146</td>\n",
       "      <td>45</td>\n",
       "      <td>102</td>\n",
       "      <td>26</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "          A    B    C    D   E\n",
       "Python   49   68  110   33  13\n",
       "数学      137   50  137   49  37\n",
       "En       71  146   45  102  26"
      ]
     },
     "execution_count": 18,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "df2.stack().unstack(level = 0)"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.1"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}
Mr.Morton
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Pandas数据重塑和透视
Roddy的博客
08-07 685
使用多层索引进行重塑 stack(堆叠) ：旋转或将列中的数据透视到行 unstack(拆堆)：将行中的数据透视到列 data.stack() data.unstack() data.unstack(0) #0表示最外层 data.unstack('key1').stack('key2') 数据透视 长透视为宽： data.piovot() dat...
pandas数据重塑
Shingle_的博客
05-22 1316
《Python for Data Analysis》 数据重塑 重塑层次化索引 stack： 将数据的列“旋转”为行 unstack : 将数据的行“旋转”为列 旋转 pivot： 前两个参数值分别用作行和列索引的列名，最后一个参数则是用于填充DataFrame的数据列的列名。如果忽略最后一个参数，得到的DataFrame就会带有层次化的列。 相当于用set_i...
pandas学习笔记（八）：重塑（Reshaping）
数据库爆破专家的博客
06-20 331
（1）stack，使用stack方法可以把标签压进所在的列中 （2）unstack , 逆操作将标签从列中取出来使用unstack() （3）数据透视表
【pandas 基本操作：数据重塑】
qq_45186086的博客
06-14 678
通过stack()方法、unstack()方法和pivot()方法实现数据重塑
Pandas数据重塑与透视（一）
syp_net的博客
04-08 1912
Pandas数据重塑与透视（一）
Pandas 重塑(stack)和轴向旋转(pivot)的实现
09-19
在数据分析和处理中，Pandas库提供了强大的数据操作功能，其中`stack`和`pivot`是两种常用的重塑数据的方法。这两个方法可以帮助我们将数据从一种结构转换为另一种结构，以适应不同的分析需求。 **1. 重塑 - Stack*...
一篇彻底让你搞懂的python基础之Pandas 重塑(stack)和轴向旋转(pivot)的实现
12-20
回到Pandas，Pandas库提供了一套强大的数据处理功能，其中的`stack()`和`pivot()`方法是数据重塑的重要工具。`stack()`方法用于将DataFrame的列转化为行，通常用于将宽格式数据转换为长格式数据。而`pivot()`方法则...
Pandas版本1
08-04
7. 数据重塑：Pandas提供了灵活的数据重塑机制，可以根据需要重塑数据。在上面的示例中，我们使用了rename函数来重命名列名。 8. 数据导出：Pandas提供了丰富的数据导出机制，可以将数据导出到Excel、CSV等文件中。...
pandas1.4.3官方文档
06-25
* 重塑：了解如何重塑数据 高级特性 pandas还提供了多种高级特性，包括： * MultiIndex和Panel数据结构 * 高性能的数据处理和分析算法 * 与其他Python库的集成，例如 NumPy、 SciPy 和 Matplotlib * 可扩展的插件...
Pandas高阶篇二(数据的重塑和旋转)
qq_42379006的博客
06-22 931
层次化索引与数据重塑 层次化索引是 pandas的一 项重要功能,它使你能在一个轴上拥有多个(两个以上)索引级别。抽象点说,它使你能以低维度形式处理高维度数据。 层次化索引为Dataframe数据的重排任务提供了一种具有良好一致性的方式。主要功能有二 • stack:将数据的列“旋转”为行 • unstack:将数据的行“旋 转”为列 对于一个层次化索引的 ...
pandas数据合并与重塑（pd.concat篇）
Mr_HHH的博客
03-08 12万+
1 concatconcat函数是在pandas底下的方法，可以将数据根据不同的轴作简单的融合 12pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False)12参数说明 obj...
Python 数据处理 —— pandas 数据重塑
dxs18459111694的博客
11-30 317
这些函数会自动处理缺失值，并且不希望层次索引中的每个子组具有相同的标签集，同时它们也可以处理未排序的索引。形式，以时间序列作为索引，变量名作为列名 ，索引与列名所标识的值是对应的观察值，更加有利于我们的分析。假设我们现在想对变量进行时间序列分析，但是，这种数据的表现形式显然是不利于我们进行分析的。如果你想包含所有的类别信息，即使实际数据不包含任何特定类别的实例，你可以设置。参数，且除了指定为索引和列名的列之外，剩余的列超过一个，则输出的结果。如果对应标签的值不存在，默认会使用填充为缺失值，如。
数据分析-Pandas如何重塑数据表
最新发布
Alex_StarSky的博客
01-13 1095
数据表，时间序列数据在数据分析建模中很常见，例如天气预报，空气状态监测，股票交易等金融场景。数据分析过程中重新调整，重塑数据表是很重要的技巧，此处选择，以及巴黎、伦敦欧洲城市NO2​作为样例。NO2​。
pandas数据分析之数据重塑透视(stack、unstack、melt、pivot)
学而思(xiejava的blog)
02-14 4182
在数据分析的过程中，分析师常常希望通过多个维度多种方式来观察分析数据，重塑和透视是常用的手段。数据的重塑简单说就是对原数据进行变形，为什么需要变形，因为当前数据的展示形式不是我们期望的维度，也可以说索引不符合我们的需求。对数据的重塑不是仅改变形状那么简单，在变形过程中，数据的内在数据意义不能变化，但数据的提示逻辑则发生了重大的改变。数据透视是最常用的数据汇总工具，它可以根据一个或者多个指定的维度来聚合数据。pandas 也提供了数据透视函数来实现这些功能。 如果能熟练区分
PANDAS 数据合并与重塑（concat篇）
热门推荐
stevenkwong的博客
09-13 31万+
pandas作者Wes McKinney 在【PYTHON FOR DATA ANALYSIS】中对pandas的方方面面都有了一个权威简明的入门级的介绍，但在实际使用过程中，我发现书中的内容还只是冰山一角。今天就pandas官网中关于数据合并和重述的章节做个人性质的总结。 文中代码块主要有pandas官网教程提供。
Pandas中的数据重塑（reshape）功能
jiahaohappy的博客
05-08 2万+
引言Pandas 是 python 中常用的数据分析软件库，它提供了 DataFrames 和 Series 的工具，这使得 numpy 和 matplotlib 可以更加便捷地读取转换数据。数据重塑表示转换一个表格或者向量的结构，使其适合于进一步的分析。 Pandas 拥有一些其他软件不具备的重塑功能，这对初学者来说可能会比较棘手。本文中我将举例说明 Pandas 中一些常用的重塑函数，并结合图表
Pandas：重塑(stack)和轴向旋转(pivot)
bqw的博客
04-16 1万+
import numpy as np import pandas as pd from pandas import Series,DataFrame 一、重塑 stack:将数据的列索引旋转为行索引 unstack:将数据的行索引旋转为列索引 df = DataFrame({'水果':['苹果','梨','草莓'], '数量':[3,4...
清理Pandas DataFrame中的数据
寒冰屋的专栏
09-22 4880
确保整个DataFrame一致是很重要的。这包括确保数据的类型正确，消除不一致之处并标准化值。 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进行数据清洗系列的一部分。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...
PANDAS 数据合并与重塑（join/merge篇）
stevenkwong的博客
09-14 7万+
在上一篇文章中，我整理了pandas在数据合并和重塑中常用到的concat方法的使用说明。在这里，将接着介绍pandas中也常常用到的join 和merge方法mergepandas的merge方法提供了一种类似于SQL的内存链接操作，官网文档提到它的性能会比其他开源语言的数据操作（例如R）要高效。和SQL语句的对比可以看这里merge的参数on：列名，join用来对齐的那一列的名字，用到这个参数的
pandas小记：pandas数据规整化-正则化、分组合并及重塑
皮皮blog
09-23 2万+
http://blog.csdn.net/pipisorry/article/details/39506169 数据分析和建模方面的大量编程工作都是用在数据准备上的：加载、清理、转换以及重 塑。有时候，存放在文件或数据库中的数据并不能满足数据处理应用的要求。 pandas和Python标准库提供了一组高级的、灵活的、高效的核心函数和算法，它们能够轻松地将数据规整...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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