头歌 Pandas基础-第8关：数据重塑

### Pandas 数据重塑基础知识 Pandas 是 Python 中用于数据分析的强大工具之一，提供了多种功能来操作和转换数据结构。其中，“数据重塑”是指通过改变数据的布局或结构调整数据的形式以便更好地满足特定需求的过程。 #### 数据重塑的核心函数在 Pandas 中，常用的数据重塑方法包括 `pivot`、`melt` 和 `stack/unstack` 等[^2]。这些方法可以帮助用户将宽表转化为长表或将长表转化为宽表，从而更方便地进行后续分析。以下是每种方法的具体介绍： 1. **`pivot` 方法** 使用 `pivot` 可以将 DataFrame 的行索引变为列索引，或者反之亦然。此方法适用于简单的重塑场景。 ```python import pandas as pd df = pd.DataFrame({ 'foo': ['one', 'one', 'two', 'two'], 'bar': ['A', 'B', 'A', 'B'], 'baz': [1, 2, 3, 4] }) reshaped_df = df.pivot(index='foo', columns='bar', values='baz') ``` 2. **`melt` 方法** 如果需要将宽表转为长表，则可以使用 `melt` 函数。它会将指定的一组或多组列视为变量名称，并将其余部分展开成多行记录。 ```python melted_df = pd.melt(df, id_vars=['foo'], value_vars=['bar', 'baz']) ``` 3. **`stack` 和 `unstack` 方法** 这两个方法主要用于 MultiIndex（层次化索引）的操作。“堆叠”意味着将列标签移动到行级别；而“解堆叠”则是相反过程——即将某些行标签提升至更高维度成为新列的一部分。 ```python stacked_series = df.set_index(['foo', 'bar']).stack() unstacked_df = stacked_series.unstack(level=-1) ``` 以上就是 Pandas 提供的一些基础数据重塑技巧。掌握它们能够极大地提高你在实际项目中的工作效率。 #### 实践案例分享假设有一个销售业绩表格如下所示： | 地区 | Q1销售额 | Q2销售额 | |------|----------|----------| | 华北 | 500 | 600 | | 华南 | 700 | 800 | 如果希望按照季度重新排列该表使其更适合时间序列分析的话，那么可以通过下面这段代码实现目标状态下的输出形式： ```python sales_data = pd.DataFrame({ '地区': ['华北', '华南'], 'Q1销售额': [500, 700], 'Q2销售额': [600, 800] }) reshaped_sales = sales_data.melt(id_vars="地区", var_name="季度", value_name="销售额") print(reshaped_sales) ``` 最终得到的结果将是这样的格式便于进一步的时间序列建模等工作流程推进下去.

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 opencv 3.2 ros-noetic-image-transport-plugins