数据分析（3）数据重构

task3——数据重构

学习参考资料：datawhale动手学数据分析

学习链接：https://github.com/datawhalechina/hands-on-data-analysis

学习目标：

• 了解数据重构的方法
• 学会使用groupby作数据运算

什么是数据重构？
数据重构:指数据从一种格式到另一种格式的转换，包括结构转换、格式变化、类型替换等，以解决空间数据在结构、格式和类型上的统一，实现多源和异构数据的联接与融合。

合并数据集

【知识部分】

stack

使用pandas进行数据重排时，经常用到stack和unstack两个函数。stack的意思是堆叠，堆积，unstack即“不要堆叠”。
常见的数据层次化结构有：花括号和表格。

表格在行列方向上均有索引（类似于DataFrame）。
花括号结构只有“列方向”上的索引（类似于层次化的Series）。
stack函数会将数据从”表格结构“变成”花括号结构“，即将其行索引变成列索引，反之，unstack函数将数据从”花括号结构“变成”表格结构“，即要将其中一层的列索引变成行索引。

方法	介绍
stack	stack函数会将数据从”表格结构“变成”花括号结构“ ，将列索引转为行索引，完成层级索引
unstack	unstack函数将数据从”花括号结构“变成”表格结构“，层级索引展开 ，默认操作内层索引

df_obj = pd.DataFrame(np.random.randint(0,10, (5,2)), columns=['data1', 'data2'])
df_obj

stacked = df_obj.stack()
print(stacked)

stackedd=stacked.unstack()
print(stacked)

代码效果如下所示·：

concat

Pandas中的pd.concat与np.concatenate类似，但可选参数更多，功能更为强大。

pd.concat可以简单地合并一维的对象：

ser1 = pd.Series(['A', 'B', 'C'], index=[1, 2, 3])
ser2 = pd.Series(['D', 'E', 'F'], index=[4, 5, 6])
pd.concat([ser1, ser2])

多维数据合并：

df1 = make_df('AB', [1, 2])
df2 = make_df('AB', [3, 4])
display('df1', 'df2', 'pd.concat([df1, df2])')

concat函数的参数：

参数	说明
objs	参与连接pandas对象的列表或字典
axis	连接指明的轴向
join	指明其他轴向上的索引是按交集还是并集进行合并
join_axes	指明用于其他n-1条轴向上的层次化索引。可以是任意值的列表或数组，元组数组，数组列表
levels	指定用作层次化索引各级别上的索引 （如果设置外层索引）
names	用于创建分层的名字
verify_integrity	检查结果对象新轴上的重复情况
ignore_index	不保留连接轴上的索引，产生一组新索引range（total_length）

numpy中concatenate和pd.concat的很像。
他俩的主要差异就在于pd.concat在合并时会保留索引&#x