pandas 变形
import numpy as np
import pandas as pd
一、长表宽表的变形函数
长表 vs 宽表:一个表中把性别存储在某一个列中,那么它就是关于性别的长表;如果把性别作为列名,列中的元素是某一其他的相关特征数值,那么这个表是关于性别的宽表。下面的两张表就分别是关于性别的长表和宽表:
pd.DataFrame({'Gender':['F','F','M','M'], 'Height':[163, 160, 175, 180]})
Gender | Height | |
---|---|---|
0 | F | 163 |
1 | F | 160 |
2 | M | 175 |
3 | M | 180 |
pd.DataFrame({'Height: F':[163, 160], 'Height: M':[175, 180]})
Height: F | Height: M | |
---|---|---|
0 | 163 | 175 |
1 | 160 | 180 |
这两张表信息上完全等价,呈现方式与性别一列选择的布局模式有关,即以
l
o
n
g
\color{red}{long}
long的状态存储还是以
w
i
d
e
\color{red}{wide}
wide的状态存储。因此,pandas
针对此类长宽表的变形操作设计了一些有关的变形函数。
1. pivot_长表变宽表(唯一性条件)
pivot
是一种典型的长表变宽表的函数,首先来看一个例子:下表存储了张三和李四的语文和数学分数,现在想要把语文和数学分数作为列来展示。
df = pd.DataFrame({'Class':[1,1,2,2],
'Name':['San Zhang','San Zhang','Si Li','Si Li'],
'Subject':['Chinese','Math','Chinese','Math'],
'Grade':[80,75,90,85]})
df
Class | Name | Subject | Grade | |
---|---|---|---|---|
0 | 1 | San Zhang | Chinese | 80 |
1 | 1 | San Zhang | Math | 75 |
2 | 2 | Si Li | Chinese | 90 |
3 | 2 | Si Li | Math | 85 |
对于一个基本的长变宽操作而言,最重要的有三个要素,分别是变形后的行索引、需要转到列索引的列,以及这些列和行索引对应的数值,它们分别对应了pivot
方法中的index, columns, values
参数。新生成表的列索引是columns
对应列的unique
值,而新表的行索引是index
对应列的unique
值,而values
对应了想要展示的数值列。
df.pivot(index='Name', columns='Subject', values='Grade')
Subject | Chinese | Math |
---|---|---|
Name | ||
San Zhang | 80 | 75 |
Si Li | 90 | 85 |
利用pivot
进行变形操作需要满足唯一性的要求,即由于在新表中的行列索引对应了唯一的value
,因此原表中的index
和columns
对应两个列的行组合必须唯一
pandas
从1.1.0
开始,pivot
相关的三个参数允许被设置为列表,意味着会返回多级索引。例如:下表中六列分别为班级、姓名、测试类型(期中考试和期末考试)、科目、成绩、排名。
df = pd.DataFrame({'Class':[1, 1, 2, 2, 1, 1, 2, 2],
'Name':['San Zhang', 'San Zhang', 'Si Li', 'Si Li',
'San Zhang', 'San Zhang', 'Si Li', 'Si Li'],
'Examination': ['Mid', 'Final', 'Mid', 'Final',
'Mid', 'Final', 'Mid', 'Final'],
'Subject':['Chinese', 'Chinese', 'Chinese', 'Chinese',
'Math', 'Math', 'Math', 'Math'],
'Grade':[80, 75, 85, 65, 90, 85, 92, 88],
'rank':[10, 15, 21, 15, 20, 7, 6, 2]})
df
Class | Name | Examination | Subject | Grade | rank | |
---|---|---|---|---|---|---|
0 | 1 | San Zhang | Mid | Chinese | 80 | 10 |
1 | 1 | San Zhang | Final | Chinese | 75 | 15 |
2 | 2 | Si Li | Mid | Chinese | 85 | 21 |
3 | 2 | Si Li | Final | Chinese | 65 | 15 |
4 | 1 | San Zhang | Mid | Math | 90 | 20 |
5 | 1 | San Zhang | Final | Math | 85 | 7 |
6 | 2 | Si Li | Mid | Math | 92 | 6 |
7 | 2 | Si Li | Final | Math | 88 | 2 |
现在想要把测试类型和科目联合组成的四个类别(期中语文、期末语文、期中数学、期末数学)转到列索引,并且同时统计成绩和排名:
pivot_multi = df.pivot(index = ['Class', 'Name'],
columns = ['Subject','Examination'],
values = ['Grade','rank'])
pivot_multi
Grade | rank | ||||||||
---|---|---|---|---|---|---|---|---|---|
Subject | Chinese | Math | Chinese | Math | |||||
Examination | Mid | Final | Mid | Final | Mid | Final | Mid | Final | |
Class | Name | ||||||||
1 | San Zhang | 80 | 75 | 90 | 85 | 10 | 15 | 20 | 7 |
2 | Si Li | 85 | 65 | 92 | 88 | 21 | 15 | 6 | 2 |
根据唯一性原则,新表的行索引等价于对index
中的多列使用drop_duplicates
,而列索引的长度为values
中的元素个数乘以columns
的唯一组合数量(与index
类似)。
2. pivot_table_(长变宽(不唯一时,聚合操作))
pivot
的使用依赖于唯一性条件,那如果不满足唯一性条件,那么必须通过聚合操作使得相同行列组合对应的多个值变为一个值。例如,张三和李四都参加了两次语文考试和数学考试,按照学院规定,最后的成绩是两次考试分数的平均值,此时就无法通过pivot
函数来完成。
df = pd.DataFrame({'Name':['San Zhang', 'San Zhang',
'San Zhang', 'San Zhang',
'Si Li', 'Si Li', 'Si Li', 'Si Li'],
'Subject':['Chinese', 'Chinese', 'Math', 'Math',
'Chinese', 'Chinese', 'Math', 'Math'],
'Grade':[80, 90, 100, 90, 70, 80, 85, 95]})
df
Name | Subject | Grade | |
---|---|---|---|
0 | San Zhang | Chinese | 80 |
1 | San Zhang | Chinese | 90 |
2 | San Zhang | Math | 100 |
3 | San Zhang | Math | 90 |
4 | Si Li | Chinese | 70 |
5 | Si Li | Chinese | 80 |
6 | Si Li | Math | 85 |
7 | Si Li | Math | 95 |
pandas
中提供了pivot_table
来实现,其中的aggfunc
参数就是使用的聚合函数。上述场景可以如下写出:
df.pivot_table(index = 'Name',
columns = 'Subject',
values = 'Grade',
aggfunc = 'mean')
Subject | Chinese | Math |
---|---|---|
Name | ||
San Zhang | 85 | 95 |
Si Li | 75 | 90 |
aggfunc
包含了 pandas_3 分组 博文中介绍的所有合法聚合字符串,此外还可以传入以序列为输入,标量为输出的聚合函数来实现自定义操作,上述功能可以等价写出:
df.pivot_table(index = 'Name',
columns = 'Subject',
values = 'Grade',
aggfunc = lambda x:x.mean())
Subject | Chinese | Math |
---|---|---|
Name | ||
San Zhang | 85 | 95 |
Si Li | 75 | 90 |
此外,pivot_table
具有边际汇总的功能,可以通过设置margins=True
来实现,其中边际的聚合方式与aggfunc
中给出的聚合方法一致。下面就分别统计了语文均分和数学均分、张三均分和李四均分,以及总体所有分数的均分:
df.pivot_table(index = 'Name',
columns = 'Subject',
values = 'Grade',
aggfunc='mean',
margins=True)
Subject | Chinese | Math | All |
---|---|---|---|
Name | |||
San Zhang | 85 | 95.0 | 90.00 |
Si Li | 75 | 90.0 | 82.50 |
All | 80 | 92.5 | 86.25 |
3. melt_宽表变长表(列类别单一)
melt
函数宽表转为长表。在下面的例子中,Subject
以列索引的形式存储,现在想要将其压缩到一个列中。
df = pd.DataFrame({'Class':[1,2],
'Name':['San Zhang', 'Si Li'],
'Chinese':[80, 90],
'Math':[80, 75]})
df
Class | Name | Chinese | Math | |
---|---|---|---|---|
0 | 1 | San Zhang | 80 | 80 |
1 | 2 | Si Li | 90 | 75 |
df_melted = df.melt(id_vars = ['Class', 'Name'],
value_vars = ['Chinese', 'Math'],
var_name = 'Subject',
value_name = 'Grade')
df_melted
Class | Name | Subject | Grade | |
---|---|---|---|---|
0 | 1 | San Zhang | Chinese | 80 |
1 | 2 | Si Li | Chinese | 90 |
2 | 1 | San Zhang | Math | 80 |
3 | 2 | Si Li | Math | 75 |
melt
和pivot
是一组互逆过程,那么就一定可以通过pivot
操作把df_melted
转回df
的形式:
df_unmelted = df_melted.pivot(index = ['Class', 'Name'],
columns='Subject',
values='Grade')
df_unmelted # 下面需要恢复索引,并且重命名列索引名称
Subject | Chinese | Math | |
---|---|---|---|
Class | Name | ||
1 | San Zhang | 80 | 80 |
2 | Si Li | 90 | 75 |
df_unmelted = df_unmelted.reset_index().rename_axis(columns={'Subject':''})
df_unmelted.equals(df)
# True
4. wide_to_long(宽变长(列为交叉类别))
melt
方法中,在列索引中被压缩的一组值对应的列元素只能代表同一层次的含义,即values_name
。现在如果列中包含了交叉类别,比如期中期末的类别和语文数学的类别,那么想要把values_name
对应的Grade
扩充为两列分别对应语文分数和数学分数,只把期中期末的信息压缩,这种需求下就要使用wide_to_long
函数来完成。
df = pd.DataFrame({'Class':[1,2],'Name':['San Zhang', 'Si Li'],
'Chinese_Mid':[80, 75], 'Math_Mid':[90, 85],
'Chinese_Final':[80, 75], 'Math_Final':[90, 85]})
df
Class | Name | Chinese_Mid | Math_Mid | Chinese_Final | Math_Final | |
---|---|---|---|---|---|---|
0 | 1 | San Zhang | 80 | 90 | 80 | 90 |
1 | 2 | Si Li | 75 | 85 | 75 | 85 |
pd.wide_to_long(df,
stubnames=['Chinese', 'Math'],
i = ['Class', 'Name'],
j='Examination',
sep='_',
suffix='.+')
Chinese | Math | |||
---|---|---|---|---|
Class | Name | Examination | ||
1 | San Zhang | Mid | 80 | 90 |
Final | 80 | 90 | ||
2 | Si Li | Mid | 75 | 85 |
Final | 75 | 85 |
具体的变换过程由下图进行展示,属相同概念的元素使用了一致的颜色标出:
下面给出一个比较复杂的案例,把之前在pivot
一节中多列操作的结果(产生了多级索引),利用wide_to_long
函数,将其转为原来的形态。其中,使用了str.split
函数,目前暂时只需将其理解为对序列按照某个分隔符进行拆分即可。
res = pivot_multi.copy()
res.columns = res.columns.map(lambda x:'_'.join(x))
res = res.reset_index()
res = pd.wide_to_long(res, stubnames=['Grade', 'rank'],
i = ['Class', 'Name'],
j = 'Subject_Examination',
sep = '_',
suffix = '.+')
res
Grade | rank | |||
---|---|---|---|---|
Class | Name | Subject_Examination | ||
1 | San Zhang | Chinese_Mid | 80 | 10 |
Chinese_Final | 75 | 15 | ||
Math_Mid | 90 | 20 | ||
Math_Final | 85 | 7 | ||
2 | Si Li | Chinese_Mid | 85 | 21 |
Chinese_Final | 65 | 15 | ||
Math_Mid | 92 | 6 | ||
Math_Final | 88 | 2 |
res = res.reset_index()
res[['Subject', 'Examination']] = res['Subject_Examination'].str.split('_', expand=True)
res = res[['Class', 'Name', 'Examination', 'Subject', 'Grade', 'rank']].sort_values('Subject')
res = res.reset_index(drop=True)
res
Class | Name | Examination | Subject | Grade | rank | |
---|---|---|---|---|---|---|
0 | 1 | San Zhang | Mid | Chinese | 80 | 10 |
1 | 1 | San Zhang | Final | Chinese | 75 | 15 |
2 | 2 | Si Li | Mid | Chinese | 85 | 21 |
3 | 2 | Si Li | Final | Chinese | 65 | 15 |
4 | 1 | San Zhang | Mid | Math | 90 | 20 |
5 | 1 | San Zhang | Final | Math | 85 | 7 |
6 | 2 | Si Li | Mid | Math | 92 | 6 |
7 | 2 | Si Li | Final | Math | 88 | 2 |
二、索引的变形
1. stack与unstack(行列索引之间变换)
在 pandas_2索引 博文中提到了利用swaplevel
或者reorder_levels
进行索引内部的层交换,下面就要讨论
行
列
索
引
之
间
\color{red}{行列索引之间}
行列索引之间的交换,由于这种交换带来了DataFrame
维度上的变化,因此属于变形操作。在第一节中提到的4种变形函数与其不同之处在于,它们都属于某一列或几列
元
素
\color{red}{元素}
元素和
列
索
引
\color{red}{列索引}
列索引之间的转换,而不是索引之间的转换。
unstack
函数的作用是把行索引转为列索引,例如:
df = pd.DataFrame(np.ones((4,2)),
index = pd.Index([('A', 'cat', 'big'),
('A', 'dog', 'small'),
('B', 'cat', 'big'),
('B', 'dog', 'small')]),
columns=['col_1', 'col_2'])
df
col_1 | col_2 | |||
---|---|---|---|---|
A | cat | big | 1.0 | 1.0 |
dog | small | 1.0 | 1.0 | |
B | cat | big | 1.0 | 1.0 |
dog | small | 1.0 | 1.0 |
df.unstack()
col_1 | col_2 | ||||
---|---|---|---|---|---|
big | small | big | small | ||
A | cat | 1.0 | NaN | 1.0 | NaN |
dog | NaN | 1.0 | NaN | 1.0 | |
B | cat | 1.0 | NaN | 1.0 | NaN |
dog | NaN | 1.0 | NaN | 1.0 |
unstack
的主要参数是移动的层号,默认转化最内层,移动到列索引的最内层,同时支持同时转化多个层:
df.unstack(2)
col_1 | col_2 | ||||
---|---|---|---|---|---|
big | small | big | small | ||
A | cat | 1.0 | NaN | 1.0 | NaN |
dog | NaN | 1.0 | NaN | 1.0 | |
B | cat | 1.0 | NaN | 1.0 | NaN |
dog | NaN | 1.0 | NaN | 1.0 |
df.unstack([0,2])
col_1 | col_2 | |||||||
---|---|---|---|---|---|---|---|---|
A | B | A | B | |||||
big | small | big | small | big | small | big | small | |
cat | 1.0 | NaN | 1.0 | NaN | 1.0 | NaN | 1.0 | NaN |
dog | NaN | 1.0 | NaN | 1.0 | NaN | 1.0 | NaN | 1.0 |
类似于pivot
中的唯一性要求,在unstack
中必须保证
被
转
为
列
索
引
的
行
索
引
层
\color{red}{被转为列索引的行索引层}
被转为列索引的行索引层和
被
保
留
的
行
索
引
层
\color{red}{被保留的行索引层}
被保留的行索引层构成的组合是唯一的,例如把前两个列索引改成相同的破坏唯一性,那么就会报错:
my_index = df.index.to_list()
my_index[1] = my_index[0]
df.index = pd.Index(my_index)
df
col_1 | col_2 | |||
---|---|---|---|---|
A | cat | big | 1.0 | 1.0 |
big | 1.0 | 1.0 | ||
B | cat | big | 1.0 | 1.0 |
dog | small | 1.0 | 1.0 |
try:
df.unstack()
except Exception as e:
Err_Msg = e
Err_Msg
ValueError('Index contains duplicate entries, cannot reshape')
与unstack
相反,stack
的作用就是把列索引的层压入行索引,其用法完全类似。
df = pd.DataFrame(np.ones((4,2)),
index = pd.Index([('A', 'cat', 'big'),
('A', 'dog', 'small'),
('B', 'cat', 'big'),
('B', 'dog', 'small')]),
columns=['index_1', 'index_2']).T
df
A | B | |||
---|---|---|---|---|
cat | dog | cat | dog | |
big | small | big | small | |
index_1 | 1.0 | 1.0 | 1.0 | 1.0 |
index_2 | 1.0 | 1.0 | 1.0 | 1.0 |
df.stack()
A | B | ||||
---|---|---|---|---|---|
cat | dog | cat | dog | ||
index_1 | big | 1.0 | NaN | 1.0 | NaN |
small | NaN | 1.0 | NaN | 1.0 | |
index_2 | big | 1.0 | NaN | 1.0 | NaN |
small | NaN | 1.0 | NaN | 1.0 |
df.stack([1, 2])
A | B | |||
---|---|---|---|---|
index_1 | cat | big | 1.0 | 1.0 |
dog | small | 1.0 | 1.0 | |
index_2 | cat | big | 1.0 | 1.0 |
dog | small | 1.0 | 1.0 |
2. 聚合与变形的关系
在上面介绍的所有函数中,除了带有聚合效果的pivot_table
以外,所有的函数在变形前后并不会带来values
个数的改变,只是这些值在呈现的形式上发生了变化。
分组聚合操作,由于生成了新的行列索引,因此必然也属于某种特殊的变形操作,但由于聚合之后把原来的多个值变为了一个值,因此values
的个数产生了变化
三、其他变形函数
1. crosstab(统计特征)
crosstab
能实现的所有功能pivot_table
都能完成。在默认状态下,crosstab
可以统计元素组合出现的频数,即count
操作。例如统计learn_pandas
数据集中学校和转系情况对应的频数:
df = pd.read_csv('../data/learn_pandas.csv')
pd.crosstab(index = df.School, columns = df.Transfer)
Transfer | N | Y |
---|---|---|
School | ||
Fudan University | 38 | 1 |
Peking University | 28 | 2 |
Shanghai Jiao Tong University | 53 | 0 |
Tsinghua University | 62 | 4 |
这等价于如下crosstab
的如下写法,这里的aggfunc
即聚合参数:
pd.crosstab(index = df.School, columns = df.Transfer, values = [0]*df.shape[0], aggfunc = 'count')
Transfer | N | Y |
---|---|---|
School | ||
Fudan University | 38.0 | 1.0 |
Peking University | 28.0 | 2.0 |
Shanghai Jiao Tong University | 53.0 | NaN |
Tsinghua University | 62.0 | 4.0 |
同样,可以利用pivot_table
进行等价操作,由于这里统计的是组合的频数,因此values
参数无论传入哪一个列都不会影响最后的结果:
df.pivot_table(index = 'School',
columns = 'Transfer',
values = 'Name',
aggfunc = 'count')
Transfer | N | Y |
---|---|---|
School | ||
Fudan University | 38.0 | 1.0 |
Peking University | 28.0 | 2.0 |
Shanghai Jiao Tong University | 53.0 | NaN |
Tsinghua University | 62.0 | 4.0 |
从上面可以看出这两个函数的区别在于,crosstab
的对应位置传入的是具体的序列,而pivot_table
传入的是被调用表对应的名字,若传入序列对应的值则会报错。
除了默认状态下的count
统计,所有的聚合字符串和返回标量的自定义函数都是可用的,例如统计对应组合的身高均值:
pd.crosstab(index = df.School, columns = df.Transfer, values = df.Height, aggfunc = 'mean')
Transfer | N | Y |
---|---|---|
School | ||
Fudan University | 162.043750 | 177.20 |
Peking University | 163.429630 | 162.40 |
Shanghai Jiao Tong University | 163.953846 | NaN |
Tsinghua University | 163.253571 | 164.55 |
2. explode(对列元素纵向展开)
explode
参数能够对某一列的元素进行纵向的展开,被展开的单元格必须存储list, tuple, Series, np.ndarray
中的一种类型。
df_ex = pd.DataFrame({'A': [[1, 2], 'my_str', {1, 2}, pd.Series([3, 4])],
'B': 1})
df_ex
A | B | |
---|---|---|
0 | [1, 2] | 1 |
1 | my_str | 1 |
2 | {1, 2} | 1 |
3 | 0 3 1 4 dtype: int64 | 1 |
df_ex.explode('A')
A | B | |
---|---|---|
0 | 1 | 1 |
0 | 2 | 1 |
1 | my_str | 1 |
2 | 1 | 1 |
2 | 2 | 1 |
3 | 3 | 1 |
3 | 4 | 1 |
3. get_dummies(类别特征转为指示变量)
get_dummies
是用于特征构建的重要函数之一,其作用是把类别特征转为指示变量。例如,对年级一列转为指示变量,属于某一个年级的对应列标记为1,否则为0:
pd.get_dummies(df.Grade).head()
Freshman | Junior | Senior | Sophomore | |
---|---|---|---|---|
0 | 1 | 0 | 0 | 0 |
1 | 1 | 0 | 0 | 0 |
2 | 0 | 0 | 1 | 0 |
3 | 0 | 0 | 0 | 1 |
4 | 0 | 0 | 0 | 1 |