文章目錄

• 重塑層次化索引
• • 對于單層索引的DataFrame類對象
  • • stack()方法
    • unstack()方法
  • 對于多層索引的DataFrame類對象
  • • 辨析操作內層索引與外層索引的區別
    • 查看多層索引對象轉換后的類型
• 軸向旋轉——pivot()方法

---

重塑層次化索引

Pandas中重塑層次化索引的操作主要是stack()方法和unstack()方法，前者是將數據的列“旋轉”成行，后者是將數據的行“旋轉”成列。

stack(self, level=-1, dropna=True)

上述方法中部分參數表示的含義如下：

level：表示操作內層索引。若設為0，表示操作外層索引，默認為-1

dropna：表示是否將旋轉后的缺失值刪除，若設為True，則表示自動過濾缺失值，設置False則相反

unstack(self, level=-1, fill_value=None)

上述方法中部分參數表示的含義如下：

level：表示操作內層索引。若設為0，表示操作外層索引，默認為-1

fill_value：若產生了缺失值，則可以設置這個參數用來替換NaN

對于單層索引的DataFrame類對象

stack()方法

測試對象：

df1:A B a A0 B0 b A1 B1

代碼：

import numpy as npdf1 = pd.DataFrame({'A': ['A0', 'A1'],'B': ['B0', 'B1']},index=['a', 'b']) df2 = pd.DataFrame(np.arange(8).reshape(2, 4),columns=[['A', 'A', 'B', 'B'],['A0', 'A1', 'B0', 'B1']]) result = df1.stack() print("df1.stack():\n", result)

輸出結果：

df1.stack():a A A0B B0 b A A1B B1 dtype: object

從輸出結果看出，result對象具有兩層行索引。

具有兩層行索引而不再具有列索引的對象到底是DataFrame對象還是Series對象呢？

我們使用type()函數來查看result的類型，與df1做對比

type(df1):<class 'pandas.core.frame.DataFrame'> type(result):<class 'pandas.core.series.Series'>

從輸出結果可以看出，DataFrame對象已經被轉換成了一個Series對象。

---

unstack()方法

嘗試將result對象重塑成df1，先將result.unstack()的結果保存在ans對象里

代碼：

ans = result.unstack() print("ans:\n", ans)

輸出結果：

ans:A B a A0 B0 b A1 B1

使用type()函數查看ans的類型，然后將其與df1作比較

代碼：

print("type(ans):\n", type(ans)) print("ans == df1?", ans == df1)

輸出結果：

type(ans):<class 'pandas.core.frame.DataFrame'> ans == df1?A B a True True b True True

由上可知，unstack()方法是stack()方法的逆操作，可以將重塑的Series對象“恢復原樣”，轉變成原來的DataFrame對象。

---

對于多層索引的DataFrame類對象

測試對象：

df2:A B A0 A1 A0 A1 0 0 1 2 3 1 4 5 6 7

辨析操作內層索引與外層索引的區別

代碼：

df2 = pd.DataFrame(np.arange(8).reshape(2, 4),columns=[['A', 'A', 'B', 'B'],['A0', 'A1', 'A0', 'A1']]) result1 = df2.stack() # 操作內層索引 result2 = df2.stack(level=0) # 操作外層索引 print("df2.stack():\n", result1) print("df2.stack(level=0):\n", result2)

輸出結果：

df2.stack():A B 0 A0 0 2A1 1 3 1 A0 4 6A1 5 7 df2.stack(level=0):A0 A1 0 A 0 1B 2 3 1 A 4 5B 6 7

---

查看多層索引對象轉換后的類型

代碼：

print("type(result1):\n", type(result1)) print("type(result2):\n", type(result2))

輸出結果：

type(result1):<class 'pandas.core.frame.DataFrame'> type(result2):<class 'pandas.core.frame.DataFrame'>

對于多層索引來講，即使將外層行（列）索引或者內層行（）列索引轉換為列（行）索引，也不過是多層變單層，只要行和列兩個方向仍然同時至少有單層索引存在，DataFrmae對象轉換后就仍為DataFrame對象。

---

軸向旋轉——pivot()方法

pivot()會根據給定的行索引或列索引重新組織一個DataFrame對象

pivot(self, index=None, columns=None, values=None)

上述方法中部分參數表示的含義如下：

index：用于創建新DataFrame對象的行索引 。如果未設置，則使用原DataFrame對象的索引。

columns：用于創建新DataFrame對象的列索引 。如果未設置，則使用原DataFrame對象的索引。

values：用于填充新DataFrame對象中的值。

---

代碼：

df3 = pd.DataFrame({'A': ['A0', 'A0', 'A1', 'A1'],'B': ['B0', 'B1', 'B0', 'B1'],'C': ['C0', 'C1', 'C2', 'C3']}) print("df3:\n", df3) print("df3.pivot(index='A', columns='B', values='C'):\n", df3.pivot(index='A', columns='B', values='C'))

輸出結果：

df3:A B C 0 A0 B0 C0 1 A0 B1 C1 2 A1 B0 C2 3 A1 B1 C3 df3.pivot(index='A', columns='B', values='C'):B B0 B1 A A0 C0 C1 A1 C2 C3

總結

以上是生活随笔為你收集整理的Python之数据重塑——【stack()方法和unstack()方法、pivot()方法】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。