本文将介绍如何使用 Pandas 库将 DataFrame 从长格式重塑为宽格式。通过 pivot 和 stack 方法的组合，可以灵活地转换数据结构，使得数据更易于分析和可视化。本文提供详细的代码示例和解释，帮助读者掌握 DataFrame 重塑的技巧。
在数据分析中，经常需要对 DataFrame 的结构进行调整，以便更好地适应分析需求。其中，将长格式的数据转换为宽格式是一种常见的操作。Pandas 提供了多种方法来实现这一目标，本文将重点介绍如何使用 pivot 和 stack 方法来实现 DataFrame 的重塑。
使用 pivot 和 stack 重塑 DataFrame
假设我们有以下 DataFrame：
import pandas as pd
data = {'Date': [1, 1, 1],
'Item': [1, 2, 3],
'A': ['a1', 'a2', 'a3'],
'B': ['b1', 'b2', 'b3']}
df = pd.DataFrame(data)
print(df) 输出：
Date Item A B 0 1 1 a1 b1 1 1 2 a2 b2 2 1 3 a3 b3
我们的目标是将其转换为以下格式：
Date Letter Item 1 Item 2 Item 3 0 1 A a1 a2 a3 1 1 B b1 b2 b3
我们可以使用 pivot 方法将 'Item' 列转换为列名，'Date' 列作为索引，然后使用 stack 方法将列堆叠起来，最后使用 reset_index 方法重置索引。
PIA
全面的AI聚合平台，一站式访问所有顶级AI模型
226
查看详情
out = (df.pivot(columns='Item', index='Date').stack(0)
.add_prefix('Item ').reset_index(names=['Date', 'Letter']))
print(out) 输出：
Date Letter Item 1 Item 2 Item 3 0 1 A a1 a2 a3 1 1 B b1 b2 b3
代码解释：
- df.pivot(columns='Item', index='Date'): pivot 函数以 'Item' 列的值作为新的列，'Date' 列作为索引。原始 DataFrame 中的 'A' 和 'B' 列的值将根据 'Item' 列的值进行填充。
- .stack(0): stack 函数将列索引堆叠到行索引，参数 0 表示堆叠第一层列索引（在本例中是 'A' 和 'B'）。
- .add_prefix('Item '): 为列名添加 "Item " 前缀，使列名更清晰。
- .reset_index(names=['Date', 'Letter']): reset_index 函数将索引重置为默认的整数索引，并将原来的索引 'Date' 和堆叠后的 'A' 和 'B' 列命名为 'Date' 和 'Letter'。
注意事项：
- pivot 函数要求索引和列的组合必须是唯一的。如果存在重复的组合，则会引发错误。
- stack 函数会将列索引堆叠到行索引，可以指定堆叠的层级。
- reset_index 函数可以将索引重置为默认的整数索引，并可以指定新的列名。
总结：
通过 pivot 和 stack 方法的组合，可以灵活地将 DataFrame 从长格式重塑为宽格式。这种方法适用于需要将某些列的值转换为列名，并将其他列的值根据这些列名进行填充的场景。掌握这种技巧可以帮助你更好地处理和分析数据。
以上就是使用 Pandas 进行 DataFrame 重塑：从长格式到宽格式的详细内容，更多请关注知识资源分享宝库其它相关文章！
相关标签： pandas date 数据结构 堆 数据分析
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。