这篇教程pandas如何优雅的列转行及行转列详解写得很实用，希望能帮到您。
一、列转行
1、背景描述在日常处理数据过程中，你们可能会经常遇到这种类型的数据： 
而我们用pandas进行统计分析时，往往需要将结果转换成以下类型的数据： 
2.方法描述准备数据 df = pd.DataFrame({'姓名': ['A','B','C'], '英语':[90,60,70], '数学':[80,98,80], '语文':[85,90,75]})这个实现的方法有多种形式，这里集中进行展示
2.1 方法1tmp=df.set_index(['姓名']).stack()tmp2=tmp.rename_axis(index=['姓名','科目'])tmp2.name='分数'tmp2.reset_index()
2.2 方法2tmp=df.set_index(['姓名']).stack()tmp.index.names=['姓名','科目']tmp.reset_index(name='分数')
2.3 方法3tmp=df.set_index(['姓名']).stack().reset_index()tmp.columns=['姓名','科目','分数']
2.4 方法4tmp=pd.melt(df,id_vars='姓名',var_name='科目',value_name='分数')
3 思考与总结通过上述的对比，相信各位已经明白其中的厉害之处了，下面就来重点讲解一下melt这个函数。melt函数共有以下几个： frame: 需要处理的数据帧id_vars: 不需要做列转行处理的字段，如果不设置该字段则默认会对所有列进行处理value_vars: 需要做列转行的字段，不指定则不处理var_name: 列转行处理后，生成字段列，对列转行之前的字段名称进行重命名value_name: 列转行处理后，生成数值列，对列转行之前的数值进行命名col_level: 指定具体的列名等级，通常在有多级列名时使用。
4 思维延伸
4.1 例子1转换前： 
转换后： 
实现的1种方法： #准备数据df2 = pd.DataFrame({'姓名': ['A', 'B', 'C'], '班级':[1,2,1], '期中考试-英语': [90, 60, 70], '期中考试-数学': [80, 98, 80], '期中考试-语文': [85, 90, 75], '期末考试-英语': [92, 63, 76], '期末考试-数学': [85,100, 89], '期末考试-语文': [87, 91, 80]})#实现部分t1=pd.melt(df2, id_vars=['姓名','班级'], var_name='科目', value_name='分数')t2=t1.set_index(['姓名','班级','分数'])['科目'].str.split('-',expand=True).reset_index()t2.set_index(['姓名','班级',0,1]).unstack().reset_index().rename_axis()t3=t2.set_index(['姓名','班级',0,1]).unstack()t3.columns=t3.columns.droplevel(0)result=t3.rename_axis(columns=None).reset_index().rename(columns={0:'考试类型'})result
4.2 例子2转换前： 
转换后： 
实现方法举例： pd.lreshape(df2,{'英语':['期中考试-英语','期末考试-英语'], '数学':['期中考试-数学','期末考试-数学'], '语文':['期中考试-语文','期末考试-语文']})
二、行转列在一中，我们已经完成了对于列转行的任务，即将本文一中的多列df转为tmp，那现在假如需要进行列转行又该如何操作呢？
1.准备数据tmp=pd.DataFrame({'姓名':['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'], '科目':['英语', '英语', '英语', '数学', '数学', '数学', '语文', '语文', '语文'], '分数':[90, 60, 70, 80, 98, 80, 85, 90, 75]})tmp
2.行转列实现
2.1 方法1tmp2=tmp.set_index(['姓名','科目'])['分数'].unstack()df=tmp2.rename_axis(columns=None).reset_index() 2.2 方法2tmp2=tmp.set_index(['姓名','科目'])['分数'].unstack()df=tmp2.rename_axis(columns=None).reset_index() 2.3 方法3df=tmp.pivot(index='姓名',columns='科目',values='分数').rename_axis(columns=None).reset_index()
3.思考与总结从行转列的例子中，我们可以发现核心的函数是unstack。unstack是将多重索引形式的数据，转换为标准表格形式的数据，unstack主要由两个参数组成： level ：要取消堆叠的索引级别，可以传递级别名称 。默认参数为-1，例子中为科目，即最后一个索引fill_value ：如果取消堆叠后有缺失数据，会以固定字符进行填充。
三、行列转换(长宽互换)(1) stack和unstack California 2000 33871648 2010 37253956 New York 2000 18976457 2010 19378102 Texas 2000 20851820 2010 25145561 以上述数据为例 new_df = pop.unstack()new_df unstack() 方法可以快速将一个多级索引的 Series 转化为普通索引的 DataFrame,stack则可以实现将列转化为索引。 
来看个实际的行列互换的例子 列转行 import pandas as pddf = pd.read_csv('data/pew.csv')df.head(10)
df = df.set_index('religion') #先把religion设为索引df = df.stack() #将列转化为二级索引df.index = df.index.rename('income', level=1) #二级索引命命df.name = 'frequency'df = df.reset_index() #将索引转化为Seriesdf.head(10)
上述转化，可以看作是宽表转长表，很好记忆，将一组具有相同特征的列，转化成一列，自然就变窄了，同时为了一一对应，需要和其他列做组合，就会变长。
总结到此这篇关于pandas如何优雅的列转行及行转列的文章就介绍到这了,更多相关pandas列转行及行转列内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python用
Python绘制3D立体花朵示例详解 |
