标签：San Chinese Zhang 变形 Li Si pandas Math 函数
pandas变形函数
长表变宽表
povit() 函数
pivot 英语释义 = 中心点，中心事物。
计算机理解： 把数据的聚集到一个中心点， 长 变 宽 就是其中的一种形式
功能： 长表变宽表的函数
代码实战：
import pandas as pd
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]})
print(df)
print("*"*66)
print(df.pivot(index='Name', columns='Subject', values='Grade'))
运行结果：
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
******************************************************************
Subject Chinese Math
Name
San Zhang 80 75
Si Li 90 85
从上面的我们可以知道：povit() 的 三大参数。
df.povit(index = "", columns = "" , values = "")
index = "" --> 新的行索引index = 原来的列表头
columns = "" --> 新的列表头 = 原来列的分类值（且这个值是**唯一的分类值**，不然会发生歧义，因为有多个，多个对应了不同的值，不知道往哪个分类值中进行填充。）
values = "" --> 新的值 = 除去充当columns的原来的值
以上这三个参数同样支持多级索引；
代码如下：
import pandas as pd
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]})
pivot_multi = df.pivot(index = ['Class', 'Name'],
columns = ['Subject','Examination'],
values = ['Grade','rank'])
print(pivot_multi)
运行效果：
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
注意：
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）。
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。
代码实例：
import pandas as pd
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.pivot(index="Name", columns="Subject", values="Grade")
运行结果（错误显示）：
ValueError: Index contains duplicate entries, cannot reshape
这里的 Name 是多个分类值，pivot() 函数难以处理多分类值进行转换成宽表
povit_table() 函数
为了解决变形函数 pivot() 难以处理多分类值的这种现象，我们在这里引入：povit_table() 函数
import pandas as pd
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]})
print(df.pivot_table(index="Name", columns="Subject", values="Grade"))
运行结果：
Subject Chinese Math
Name
San Zhang 85 95
Si Li 75 90
针对分类值进行函数操作的方法：
代码实战：
print(df.pivot_table(index="Name", columns="Subject", values="Grade", aggfunc="mean"))
运行结果：
Subject Chinese Math
Name
San Zhang 85 95
Si Li 75 90
虽然两处的运行结果一样，但是含义确不一样，
aggfunc = "聚合函数" = aggerate function
是针对多个类别使用去使用函数
再比如：
print(df.pivot_table(index="Name", columns="Subject", values="Grade", aggfunc="sum"))
运行结果:
Subject Chinese Math
Name
San Zhang 170 190
Si Li 150 180
此处的聚合函数方法具体可参照：
（聚合函数章节）
宽表变长表
melt() 函数
melt = 熔化，融化
计算机理解：融化了之后，就扩散了，因此变长了。
功能： 将宽表变成长表
代码实战：
df = pd.DataFrame({'Class':[1,2],
'Name':['San Zhang', 'Si Li'],
'Chinese':[80, 90],
'Math':[80, 75]})
df_melted = df.melt(id_vars = ['Class', 'Name'],
value_vars = ['Chinese', 'Math'],
var_name = 'Subject',
value_name = 'Grade')
print(df)
print("*"*66)
print(df_melted)
运行结果：
Class Name Chinese Math
0 1 San Zhang 80 80
1 2 Si Li 90 75
******************************************************************
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
根据上述可知：
melted的四大参数：
id_vars = 列名
value_vars = 作为宽表的列类别
var_name = 作为长表的列名
value_name = 原列变量的值
注意：
上面的 povit() 和 melt() 函数参数的对比。
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
wide_to_long()函数
为了解决上面的只能代表同一层含义，因此引入wide_to_long()的函数。
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]})
pd.wide_to_long(df,
stubnames=['Chinese', 'Math'],
i = ['Class', 'Name'],
j='Examination',
sep='_',
suffix='.+')
运行结果：
Chinese Math
Class Name Examination
1 San Zhang Mid 80 90
Final 80 90
2 Si Li Mid 75 85
Final 75 85
从结果看，参数的含义是：
pd.wide_to_long(df, stubnames = ["待处理的分类类别1", "待处理的分类类别2", "", ……],
i = ["列表头元素1", "列表头元素2", "", ……]，
j = "待处理类别的所属类别"，
sep = "怎样把待处理类别分隔开来"，
suffix= "正则后缀")
正则后缀：是行索引压缩到列名时，需要符合什么样的条件。
标签：San,Chinese,Zhang,变形,Li,Si,pandas,Math,函数 来源： https://blog.csdn.net/qsx123432/article/details/111772608
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。