如何对数据框进行透视？
什么是透视？
透视是一种用于通过交换行和列来重塑 DataFrame 的数据转换技术。它通常用于以更易于分析或可视化的方式组织数据。
如何进行数据透视？
有多种方法可以在其中透视 DataFrame使用 Pandas 库的 Python：
1. pd.DataFrame.pivot_table:
此方法是用于旋转数据的多功能且功能丰富的选项。它允许您指定要聚合的值、聚合函数以及行索引和列索引。
示例：
import pandas as pd
# Create a sample DataFrame
df = pd.DataFrame({
"row": ["row0", "row1", "row2", "row3", "row4"],
"col": ["col0", "col1", "col2", "col3", "col4"],
"val0": [0.81, 0.44, 0.77, 0.15, 0.81],
"val1": [0.04, 0.07, 0.01, 0.59, 0.64]
})
# Pivot the DataFrame using pivot_table
df_pivoted = df.pivot_table(
index="row",
columns="col",
values="val0",
aggfunc="mean",
)
print(df_pivoted)
# Output:
col0 col1 col2 col3 col4
row
row0 0.77 0.445 0.000 0.860 0.650
row1 0.130 0.000 0.395 0.500 0.250
row2 0.000 0.310 0.000 0.545 0.000
row3 0.000 0.100 0.395 0.760 0.240
row4 0.000 0.000 0.000 0.000 0.0002. pd.DataFrame.groupby pd.DataFrame.unstack:
此方法涉及按所需的行和列索引对 DataFrame 进行分组，然后使用 unstack 来旋转分组的数据。
示例：
# Group the DataFrame by row and col df_grouped = df.groupby(["row", "col"]) # Perform pivot using unstack df_pivoted = df_grouped["val0"].unstack(fill_value=0) print(df_pivoted) # Output: col col0 col1 col2 col3 col4 row row0 0.81 0.445 0.000 0.860 0.650 row1 0.130 0.000 0.395 0.500 0.250 row2 0.000 0.310 0.000 0.545 0.000 row3 0.000 0.100 0.395 0.760 0.240 row4 0.000 0.000 0.000 0.000 0.000
3. pd.DataFrame.set_index pd.DataFrame.unstack:
此方法涉及将所需的行和列索引设置为 DataFrame 的索引，然后使用 unstack 来旋转数据。
示例：
# Set the row and col as the DataFrame's index df = df.set_index(["row", "col"]) # Perform pivot using unstack df_pivoted = df["val0"].unstack(fill_value=0) print(df_pivoted) # Output: col col0 col1 col2 col3 col4 row row0 0.81 0.445 0.000 0.860 0.650 row1 0.130 0.000 0.395 0.500 0.250 row2 0.000 0.310 0.000 0.545 0.000 row3 0.000 0.100 0.395 0.760 0.240 row4 0.000 0.000 0.000 0.000 0.000
4. pd.DataFrame.pivot:
与pivot_table相比，此方法提供了更简单的语法，但功能有限。它只允许您指定行索引和列索引，并且不能执行聚合。
示例：
# Perform pivot using pivot df_pivoted = df.pivot(index="row", columns="col") print(df_pivoted) # Output: col col0 col1 col2 col3 col4 row row0 key0 0.81 0.44 0.00 0.86 0.65 row1 key1 0.13 0.00 0.39 0.50 0.25 row2 key1 0.00 0.31 0.00 0.54 0.00 row3 key0 0.00 0.10 0.39 0.76 0.24 row4 key1 0.00 0.00 0.00 0.00 0.00
长格式转宽格式
仅使用两列将 DataFrame 从长格式转换为宽格式：
1. pd.DataFrame.pivot(index=column_to_index, columns=column_to_columns, values=values_to_pivot**):
示例：
df["Combined"] = df["row"] + "|" + df["col"] df_pivoted = df.pivot(index="Combined", columns="A", values="B") print(df_pivoted) # Output: A a b c Combined row0|col0 0.0 10.0 7.0 row1|col1 11.0 10.0 NaN row2|col2 2.0 14.0 NaN row3|col3 11.0 NaN NaN row4|col4 NaN NaN NaN
2. pd.DataFrame.groupby pd.DataFrame.unstack:
df["Combined"] = df["row"] + "|" + df["col"] df_grouped = df.groupby(["Combined", "A"]) df_pivoted = df_grouped["B"].unstack(fill_value=0) print(df_pivoted) # Output: A a b c Combined row0|col0 0.0 10.0 7.0 row1|col1 11.0 10.0 NaN row2|col2 2.0 14.0 NaN row3|col3 11.0 NaN NaN row4|col4 NaN NaN NaN
在透视后将多个索引展平为单个索引：
df_pivoted.columns = df_pivoted.columns.map("|".join)
print(df_pivoted)
# Output:
a|col0 b|col0 c|col0 a|col1 b|col1 c|col1 a|col2 b|col2 c|col2 a|col3 b|col3 c|col3
row
row0 0.0 10.0 7.0 11.0 10.0 NaN 2.0 14.0 NaN 11.0 NaN NaN
row1 0.0 10.0 7.0 11.0 10.0 NaN 2.0 14.0 NaN 11.0 NaN NaN以上是如何在 Python 中透视 Pandas DataFrame？的详细内容。更多信息请关注PHP中文网其他相关文章！
