如何重塑 Pandas 系列?
我们可以使用 Transpose、重塑方法和 melt 函数等方式重塑 Pandas 系列。Pandas 系列是一个一维标记数组，可以保存任何类型的数据(整数、浮点数、字符串等)。它类似于 NumPy 数组，但每个元素都有一个关联的索引，可用于访问单个值。重塑是指改变 Pandas 系列的形状或结构，以便以各种方式使用数据。
算法
使用不同方法重塑 Pandas 系列的一般算法如下 -
使用一些数据创建一个 Pandas 系列。
使用 reshape() 方法将系列的形状更改为所需的形状。
如果需要，使用 stack() 方法将系列从宽格式转换为长格式。
如果需要，使用 melt() 方法将系列从宽格式取消旋转为长格式。
如果需要，使用 unstack() 方法将系列从长格式旋转为宽格式。
使用 pivot() 方法将系列从长格式旋转为宽格式，如果需要。
如果需要，使用 T 属性转置 Series。
方法 1:使用 Transpose 属性
转置函数 (T) 可用于切换 Series 的行和列。当我们想要以不同的方式可视化数据时，这很有用。
语法
此处，T 是属性而非方法，因此使用它时无需使用括号。此外，由于它是属性而非方法，因此它不能接受任何参数。 T 属性返回一个行和列互换的新 DataFrame。
示例
在下面的示例中，我们创建了一个 pandas 系列，然后使用 transpose 函数转置了该 pandas 系列，最后将转置后的系列打印为输出。
import pandas as pd # 创建系列 s = pd.Series([1, 2, 3, 4]) # 转置系列 s_transposed = s.T # 打印转置后的系列 print(s_transposed)
输出
0 1 1 2 2 3 3 4 dtype: int64
方法 2:使用 reshape 方法。
reshape 方法可用于改变 Series 的形状。此方法要求新形状与原始形状兼容。
语法
DataFrame.reshape(shape[, order])
此处，shape 参数指定数组的新维度，而可选 order 参数指定数组元素的排列顺序。
示例
在下面的示例中，使用 values.reshape() 方法重塑了 pandas 系列。首先创建一个包含 1 到 9 的值的系列。然后使用 values.reshape(3,3) 将系列重塑为大小为 3x3 的矩阵。
import pandas as pd import numpy as np # 创建一个系列 s = pd.Series(np.arange(1, 10)) # 重塑系列 s_reshaped = s.values.reshape((3, 3)) # 打印重塑的系列 print(s_reshaped)
输出
[[1 2 3] [4 5 6] [7 8 9]]
方法 3:使用 Melt 函数
melt 函数可用于取消系列的透视。此函数创建一个新的数据框，其中原始 Series 中的每个唯一值占一列，每个唯一值组合占一行。
语法
DataFrame.melt([id_vars, value_vars, ...], ...)
此处，id_vars 参数指定要用作标识符变量的列，value_vars 参数指定要取消透视的列，其他参数可用于自定义输出。
示例
在下面的示例中，我们首先使用 reset_index 方法将 Series 转换为 DataFrame，该方法创建一个包含原始 Series 索引值的新列"index"。然后，我们在此 DataFrame 上使用 melt 函数，指定 'index' 作为 id_vars 参数，指定 '0'(包含原始 Series 值的列的名称)作为 value_vars 参数。
import pandas as pd
# 创建 Series
s = pd.Series({'A': 1, 'B': 2, 'C': 3})
# 使用 reset_index() 将 Series 转换为 DataFrame
df = s.reset_index()
# 融化 DataFrame
df_melted = pd.melt(df, id_vars='index', value_vars='0')
# 打印融化的 DataFrame
print(df_melted)
输出
index variable value 0 A 0 1 1 B 0 2 2 C 0 3
方法 4:使用 unstack() 方法
Pandas 中的 unstack() 方法用于将多级索引 Series 或 DataFrame 重塑为宽格式。该方法本质上将多级索引的最内层旋转为新 DataFrame 的列。 unstack() 方法是 stack() 方法的逆方法。
语法
Series.unstack(level=-1, fill_value=None)
此处，level 参数指定要解堆的索引级别，而 fill_value 参数指定要填充缺失值的值。
示例
在下面的示例中，我们首先创建一个多级索引 DataFrame df，其中包含两个索引级别"First"和"Second"。然后，我们在 DataFrame 上使用
unstack() 方法将最内层级别"Second"旋转为新 DataFrame 的列。生成的 DataFrame df_unstacked 包含列 'A' 和 'B'，索引 'First' 和 'Second' 的原始级别保留为行标签。
import pandas as pd
# 创建多级索引 DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=pd.MultiIndex.from_tuples([('X', 'a'), ('X', 'b'), ('Y', 'c')], names=['First', 'Second']))
# 拆分 DataFrame
df_unstacked = df.unstack()
# 打印拆分后的 DataFrame
print(df_unstacked)
输出
A B
Second a b c a b c
First
X 1.0 2.0 NaN 4.0 5.0 NaN
Y NaN NaN 3.0 NaN NaN 6.0
方法 5:使用 pivot() 方法
Pandas 中的 pivot() 方法用于将 DataFrame 从长格式重塑为宽格式。该方法采用三个参数:索引、列和值。 index 参数指定要用作结果 DataFrame 的行索引的列，columns 参数指定要用作结果 DataFrame 的列索引的列，values 参数指定要用作结果 DataFrame 的值的列。
语法
DataFrame.pivot([index, columns, values])
此处，index 参数指定要用作行索引的列，columns 参数指定要用作列索引的列，values 参数指定要用作数据值的列。
示例
在下面的示例中，我们首先创建一个长格式 DataFrame df，其中包含三列:"Year"， '季度' 和 '销售额'。然后，我们在 DataFrame 上使用 pivot() 方法，指定 '年份' 作为索引参数，'季度' 作为列参数，'销售额' 作为值参数。生成的 DataFrame df_pivoted 有两列"Q1"和"Q2"，以"Year"作为行索引。
import pandas as pd
# 创建长格式 DataFrame
df = pd.DataFrame({'Year': [2019, 2019, 2020, 2020], 'Quarter': ['Q1', 'Q2', 'Q1', 'Q2'], 'Sales': [100, 200, 150, 250]})
# 透视 DataFrame
df_pivoted = df.pivot(index='Year', columns='Quarter', values='Sales')
# 打印透视后的 DataFrame
print(df_pivoted)
输出
Quarter Q1 Q2 Year 2019 100 200 2020 150 250
结论
在本文中，我们讨论了如何使用转置、重塑和融化函数等方法重塑 Pandas 系列。我们可以重塑 Pandas 系列，将数据转换为不同的格式，以便进行可视化、聚合或数据分组，以及将多个数据系列合并和组合到数据框中。
