Veri çerçevesi nasıl döndürülür

360
  • Pivot nedir?
  • Nasıl dönebilirim?
  • Bu bir pivot mu?
  • Uzun formattan geniş formata?

Pivot tablolar hakkında soran birçok soru gördüm. Pivot tablolar hakkında sorular sorduklarını bilmeseler bile, genellikle öyledir. Pivotlamanın tüm yönlerini kapsayan kanonik bir soru ve cevap yazmak neredeyse imkansızdır ....

... Ama bir şans vereceğim.

Mevcut sorular ve cevaplar ile ilgili sorun genellikle sorunun OP'nin mevcut iyi cevapların birçoğunu kullanmak için genelleme yapmakta zorlandığı bir nüansa odaklanmasıdır. Ancak, cevapların hiçbiri kapsamlı bir açıklama yapmaya çalışmaz (çünkü bu göz korkutucu bir görevdir)

Google aramamdan birkaç örneğe bakın

  1. Pandalar'da bir veri çerçevesi nasıl döndürülür?
    • İyi soru ve cevap. Ancak cevap sadece belirli bir soruyu çok az bir açıklama ile cevaplar.
  2. panda pivot tablodan veri çerçevesine
    • Bu soruda, OP pivotun çıktısıyla ilgilidir. Yani sütunlar nasıl görünüyor. OP, R gibi görünmesini istedi. Bu panda kullanıcıları için çok yararlı değil.
  3. bir veri çerçevesini döndüren pandalar, yinelenen satırlar
    • Başka bir iyi soru ama cevap bir yönteme, yani pd.DataFrame.pivot

Birisi her arama yaptığında, pivotkendi özel sorusunu cevaplamayacak düzensiz sonuçlar alır.

Kurmak

Aşağıdaki yanıtlarda nasıl pivot yapacağımla ilgili olarak sütunlarımı ve ilgili sütun değerlerimi dikkatlice adlandırdığımı fark edebilirsiniz. 

import numpy as np
import pandas as pd
from numpy.core.defchararray import add

np.random.seed([3,1415])
n = 20

cols = np.array(['key', 'row', 'item', 'col'])
arr1 = (np.random.randint(5, size=(n, 4)) // [2, 1, 2, 1]).astype(str)

df = pd.DataFrame(
    add(cols, arr1), columns=cols
).join(
    pd.DataFrame(np.random.rand(n, 2).round(2)).add_prefix('val')
)
print(df)

     key   row   item   col  val0  val1
0   key0  row3  item1  col3  0.81  0.04
1   key1  row2  item1  col2  0.44  0.07
2   key1  row0  item1  col0  0.77  0.01
3   key0  row4  item0  col2  0.15  0.59
4   key1  row0  item2  col1  0.81  0.64
5   key1  row2  item2  col4  0.13  0.88
6   key2  row4  item1  col3  0.88  0.39
7   key1  row4  item1  col1  0.10  0.07
8   key1  row0  item2  col4  0.65  0.02
9   key1  row2  item0  col2  0.35  0.61
10  key2  row0  item2  col1  0.40  0.85
11  key2  row4  item1  col2  0.64  0.25
12  key0  row2  item2  col3  0.50  0.44
13  key0  row4  item1  col4  0.24  0.46
14  key1  row3  item2  col3  0.28  0.11
15  key0  row3  item1  col1  0.31  0.23
16  key0  row0  item2  col3  0.86  0.01
17  key0  row4  item0  col3  0.64  0.21
18  key2  row2  item2  col0  0.13  0.45
19  key0  row2  item0  col4  0.37  0.70

Soru (lar)

  1. Neden alıyorum ValueError: Index contains duplicate entries, cannot reshape

  2. Nasıl dönebilecek yapmak dfböyle coldeğerlerin sütunlar olup, rowdeğerler endeksi, ve ortalama val0değerleridir?

    col   col0   col1   col2   col3  col4
row                                  
row0  0.77  0.605    NaN  0.860  0.65
row2  0.13    NaN  0.395  0.500  0.25
row3   NaN  0.310    NaN  0.545   NaN
row4   NaN  0.100  0.395  0.760  0.24

  3. Nasıl dönebilecek yapmak dfböyle coldeğerlerin sütunlar olup, rowdeğer alabilmekte, endeksin ortalama vardır val0değerlerdir ve eksik değerlerdir 0?

    col   col0   col1   col2   col3  col4
row                                  
row0  0.77  0.605  0.000  0.860  0.65
row2  0.13  0.000  0.395  0.500  0.25
row3  0.00  0.310  0.000  0.545  0.00
row4  0.00  0.100  0.395  0.760  0.24

  4. meanBelki başka bir şey alabilir miyim sum?

    col   col0  col1  col2  col3  col4
row                               
row0  0.77  1.21  0.00  0.86  0.65
row2  0.13  0.00  0.79  0.50  0.50
row3  0.00  0.31  0.00  1.09  0.00
row4  0.00  0.10  0.79  1.52  0.24

  5. Bir seferde birden fazla toplama yapabilir miyim?

           sum                          mean                           
col   col0  col1  col2  col3  col4  col0   col1   col2   col3  col4
row                                                                
row0  0.77  1.21  0.00  0.86  0.65  0.77  0.605  0.000  0.860  0.65
row2  0.13  0.00  0.79  0.50  0.50  0.13  0.000  0.395  0.500  0.25
row3  0.00  0.31  0.00  1.09  0.00  0.00  0.310  0.000  0.545  0.00
row4  0.00  0.10  0.79  1.52  0.24  0.00  0.100  0.395  0.760  0.24

  6. Birden çok değer sütunu üzerinde toplayabilir miyim?

          val0                             val1                          
col   col0   col1   col2   col3  col4  col0   col1  col2   col3  col4
row                                                                  
row0  0.77  0.605  0.000  0.860  0.65  0.01  0.745  0.00  0.010  0.02
row2  0.13  0.000  0.395  0.500  0.25  0.45  0.000  0.34  0.440  0.79
row3  0.00  0.310  0.000  0.545  0.00  0.00  0.230  0.00  0.075  0.00
row4  0.00  0.100  0.395  0.760  0.24  0.00  0.070  0.42  0.300  0.46

  7. Birden çok sütuna göre alt bölümlere ayırabilir mi?

    item item0             item1                         item2                   
col   col2  col3  col4  col0  col1  col2  col3  col4  col0   col1  col3  col4
row                                                                          
row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.605  0.86  0.65
row2  0.35  0.00  0.37  0.00  0.00  0.44  0.00  0.00  0.13  0.000  0.50  0.13
row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.000  0.28  0.00
row4  0.15  0.64  0.00  0.00  0.10  0.64  0.88  0.24  0.00  0.000  0.00  0.00

  8. Veya 

    item      item0             item1                         item2                  
col        col2  col3  col4  col0  col1  col2  col3  col4  col0  col1  col3  col4
key  row                                                                         
key0 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.86  0.00
     row2  0.00  0.00  0.37  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.50  0.00
     row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.00  0.00  0.00
     row4  0.15  0.64  0.00  0.00  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00
key1 row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.81  0.00  0.65
     row2  0.35  0.00  0.00  0.00  0.00  0.44  0.00  0.00  0.00  0.00  0.00  0.13
     row3  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.28  0.00
     row4  0.00  0.00  0.00  0.00  0.10  0.00  0.00  0.00  0.00  0.00  0.00  0.00
key2 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.40  0.00  0.00
     row2  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.13  0.00  0.00  0.00
     row4  0.00  0.00  0.00  0.00  0.00  0.64  0.88  0.00  0.00  0.00  0.00  0.00

  9. "Çapraz tablolama" olarak da bilinen sütun ve satırların bir arada bulunduğu sıklığı toplayabilir miyim?

    col   col0  col1  col2  col3  col4
row                               
row0     1     2     0     1     1
row2     1     0     2     1     2
row3     0     1     0     2     0
row4     0     1     2     2     1

  10. SADECE iki sütuna dönerek bir DataFrame'i uzuntan genişe nasıl dönüştürebilirim? göz önüne alındığında,

    np.random.seed([3, 1415])
df2 = pd.DataFrame({'A': list('aaaabbbc'), 'B': np.random.choice(15, 8)})        
df2        
   A   B
0  a   0
1  a  11
2  a   2
3  a  11
4  b  10
5  b  10
6  b  14
7  c   7

    Beklenen gibi görünmeli

          a     b    c
0   0.0  10.0  7.0
1  11.0  10.0  NaN
2   2.0  14.0  NaN
3  11.0   NaN  NaN

  11. Sonra birden çok dizini tek bir dizine nasıl düzleştirebilirim pivot

    itibaren

       1  2   
   1  1  2        
a  2  1  1
b  2  1  0
c  1  0  0

    için 

       1|1  2|1  2|2               
a    2    1    1
b    2    1    0
c    1    0    0
python  pandas  group-by  pivot  pandas-groupby 
— piRSquared
kaynak

Yanıtlar:

302

İlk soruyu cevaplayarak başlıyoruz:

Soru 1

Neden alıyorum ValueError: Index contains duplicate entries, cannot reshape

Bunun nedeni, pandaların bir columnsveya indexnesneyi yinelenen girişlerle yeniden dizine eklemeye çalışmasıdır . Bir pivot gerçekleştirebilen çeşitli yöntemler vardır. Bazıları, üzerinde döndürülmesi istenen anahtarların kopyaları olduğunda uygun değildir. Örneğin. Düşünün pd.DataFrame.pivot. Ben rowve coldeğerleri paylaşmak yinelenen girişler olduğunu biliyorum :

df.duplicated(['row', 'col']).any()

True

Yani pivotkullandığımda

df.pivot(index='row', columns='col', values='val0')

Yukarıda belirtilen hatayı alıyorum. Aslında, ben aynı görevi ile yapmaya çalıştığınızda aynı hatayı alıyorum:

df.set_index(['row', 'col'])['val0'].unstack()

İşte özetlemek için kullanabileceğimiz deyimlerin listesi

  1. pd.DataFrame.groupby + pd.DataFrame.unstack
    • Hemen hemen her tür pivot için iyi bir genel yaklaşım
    • Bir gruptaki pivotlu satır düzeylerini ve sütun düzeylerini oluşturacak tüm sütunları belirtin. Bunu, toplamak istediğiniz kalan sütunları ve toplama işlemini yapmak istediğiniz işlevleri seçerek izlersiniz. Son olarak, unstacksütun dizininde olmasını istediğiniz düzeyler.
  2. pd.DataFrame.pivot_table
    • groupbyDaha sezgisel API ile yüceltilmiş bir versiyonu . Birçok insan için bu tercih edilen yaklaşımdır. Ve geliştiriciler tarafından amaçlanan yaklaşımdır.
    • Toplama yapılacak satır düzeyini, sütun düzeylerini, toplanacak değerleri ve işlevleri belirtin.
  3. pd.DataFrame.set_index + pd.DataFrame.unstack
    • Bazıları için uygun ve sezgisel (kendim dahil). Yinelenen gruplanmış anahtarlar işlenemiyor.
    • groupbyParadigmaya benzer şekilde, sonunda satır veya sütun düzeyleri olacak ve bunları dizin olarak ayarlayacak tüm sütunları belirleriz. Daha sonra unstacksütunlarda istediğimiz seviyeler. Kalan dizin düzeyleri veya sütun düzeyleri benzersiz değilse, bu yöntem başarısız olur.
  4. pd.DataFrame.pivot
    • set_indexYinelenen anahtar sınırlamasını paylaşmasına çok benzer . API da oldukça sınırlıdır. Sadece için sayıl değerlerini alır index, columns, values.
    • pivot_tableYönteme benzer şekilde, pivotlanacak satırları, sütunları ve değerleri seçiyoruz. Ancak, toplayamayız ve satırlar veya sütunlar benzersiz değilse bu yöntem başarısız olur.
  5. pd.crosstab
    • Bu özel bir versiyonu pivot_tableve en saf haliyle birkaç görevi gerçekleştirmenin en sezgisel yoludur.
  6. pd.factorize + np.bincount
    • Bu çok belirsiz ancak çok hızlı olan oldukça gelişmiş bir tekniktir. Her koşulda kullanılamaz, ancak kullanılabilir olduğunda ve rahatça kullanabiliyorsanız performans ödüllerini elde edersiniz.
  7. pd.get_dummies + pd.DataFrame.dot
    • Bunu akıllıca çapraz tablolama yapmak için kullanıyorum.

Örnekler

Sonraki her cevap ve soru için ne yapacağımı kullanarak cevaplamaktır pd.DataFrame.pivot_table. Sonra aynı görevi yerine getirmek için alternatifler sunacağım.

Soru 3

Nasıl dönebilecek yapmak dfböyle coldeğerlerin sütunlar olup, rowdeğer alabilmekte, endeksin ortalama vardır val0değerlerdir ve eksik değerlerdir 0?

  • pd.DataFrame.pivot_table

    • fill_valuevarsayılan olarak ayarlanmamıştır. Uygun şekilde ayarlama eğilimindeyim. Bu durumda ayarladım 0. Bildirim ben atlanır soru 2 bu olmadan bu cevap aynıdır olarakfill_value

    • aggfunc='mean'varsayılan ve ayarlamak zorunda değildi. Açık olması için dahil ettim.

      df.pivot_table(
    values='val0', index='row', columns='col',
    fill_value=0, aggfunc='mean')

col   col0   col1   col2   col3  col4
row                                  
row0  0.77  0.605  0.000  0.860  0.65
row2  0.13  0.000  0.395  0.500  0.25
row3  0.00  0.310  0.000  0.545  0.00
row4  0.00  0.100  0.395  0.760  0.24

  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].mean().unstack(fill_value=0)

  • pd.crosstab

    pd.crosstab(
    index=df['row'], columns=df['col'],
    values=df['val0'], aggfunc='mean').fillna(0)

Soru 4

meanBelki başka bir şey alabilir miyim sum?

  • pd.DataFrame.pivot_table

    df.pivot_table(
    values='val0', index='row', columns='col',
    fill_value=0, aggfunc='sum')

col   col0  col1  col2  col3  col4
row                               
row0  0.77  1.21  0.00  0.86  0.65
row2  0.13  0.00  0.79  0.50  0.50
row3  0.00  0.31  0.00  1.09  0.00
row4  0.00  0.10  0.79  1.52  0.24

  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].sum().unstack(fill_value=0)

  • pd.crosstab

    pd.crosstab(
    index=df['row'], columns=df['col'],
    values=df['val0'], aggfunc='sum').fillna(0)

Soru 5

Bir seferde birden fazla toplama yapabilir miyim?

Dikkat edin pivot_tableve crosstabben callables listesini geçmek gerekiyordu. Öte yandan, groupby.aggsınırlı sayıda özel işlev için dizeleri alabilir. groupby.aggaynı zamanda diğerlerine ilettiğimiz aynı callables'ları da alırdı, ancak kazanılacak verimlilikler olduğu için string işlev adlarından yararlanmak genellikle daha etkilidir.

  • pd.DataFrame.pivot_table

    df.pivot_table(
    values='val0', index='row', columns='col',
    fill_value=0, aggfunc=[np.size, np.mean])

     size                      mean                           
col  col0 col1 col2 col3 col4  col0   col1   col2   col3  col4
row                                                           
row0    1    2    0    1    1  0.77  0.605  0.000  0.860  0.65
row2    1    0    2    1    2  0.13  0.000  0.395  0.500  0.25
row3    0    1    0    2    0  0.00  0.310  0.000  0.545  0.00
row4    0    1    2    2    1  0.00  0.100  0.395  0.760  0.24

  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].agg(['size', 'mean']).unstack(fill_value=0)

  • pd.crosstab

    pd.crosstab(
    index=df['row'], columns=df['col'],
    values=df['val0'], aggfunc=[np.size, np.mean]).fillna(0, downcast='infer')

Soru 6

Birden çok değer sütunu üzerinde toplayabilir miyim?

  • pd.DataFrame.pivot_tablegeçiyoruz values=['val0', 'val1']ama bunu tamamen bırakabilirdik

    df.pivot_table(
    values=['val0', 'val1'], index='row', columns='col',
    fill_value=0, aggfunc='mean')

      val0                             val1                          
col   col0   col1   col2   col3  col4  col0   col1  col2   col3  col4
row                                                                  
row0  0.77  0.605  0.000  0.860  0.65  0.01  0.745  0.00  0.010  0.02
row2  0.13  0.000  0.395  0.500  0.25  0.45  0.000  0.34  0.440  0.79
row3  0.00  0.310  0.000  0.545  0.00  0.00  0.230  0.00  0.075  0.00
row4  0.00  0.100  0.395  0.760  0.24  0.00  0.070  0.42  0.300  0.46

  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0', 'val1'].mean().unstack(fill_value=0)

Soru 7

Birden çok sütuna göre alt bölümlere ayırabilir mi?

  • pd.DataFrame.pivot_table

    df.pivot_table(
    values='val0', index='row', columns=['item', 'col'],
    fill_value=0, aggfunc='mean')

item item0             item1                         item2                   
col   col2  col3  col4  col0  col1  col2  col3  col4  col0   col1  col3  col4
row                                                                          
row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.605  0.86  0.65
row2  0.35  0.00  0.37  0.00  0.00  0.44  0.00  0.00  0.13  0.000  0.50  0.13
row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.000  0.28  0.00
row4  0.15  0.64  0.00  0.00  0.10  0.64  0.88  0.24  0.00  0.000  0.00  0.00

  • pd.DataFrame.groupby

    df.groupby(
    ['row', 'item', 'col']
)['val0'].mean().unstack(['item', 'col']).fillna(0).sort_index(1)

Soru 8

Birden çok sütuna göre alt bölümlere ayırabilir mi?

  • pd.DataFrame.pivot_table

    df.pivot_table(
    values='val0', index=['key', 'row'], columns=['item', 'col'],
    fill_value=0, aggfunc='mean')

item      item0             item1                         item2                  
col        col2  col3  col4  col0  col1  col2  col3  col4  col0  col1  col3  col4
key  row                                                                         
key0 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.86  0.00
     row2  0.00  0.00  0.37  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.50  0.00
     row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.00  0.00  0.00
     row4  0.15  0.64  0.00  0.00  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00
key1 row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.81  0.00  0.65
     row2  0.35  0.00  0.00  0.00  0.00  0.44  0.00  0.00  0.00  0.00  0.00  0.13
     row3  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.28  0.00
     row4  0.00  0.00  0.00  0.00  0.10  0.00  0.00  0.00  0.00  0.00  0.00  0.00
key2 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.40  0.00  0.00
     row2  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.13  0.00  0.00  0.00
     row4  0.00  0.00  0.00  0.00  0.00  0.64  0.88  0.00  0.00  0.00  0.00  0.00

  • pd.DataFrame.groupby

    df.groupby(
    ['key', 'row', 'item', 'col']
)['val0'].mean().unstack(['item', 'col']).fillna(0).sort_index(1)

  • pd.DataFrame.set_index çünkü anahtar kümesi hem satırlar hem de sütunlar için benzersizdir

    df.set_index(
    ['key', 'row', 'item', 'col']
)['val0'].unstack(['item', 'col']).fillna(0).sort_index(1)

Soru 9

"Çapraz tablolama" olarak da bilinen sütun ve satırların bir arada bulunduğu sıklığı toplayabilir miyim?

  • pd.DataFrame.pivot_table

    df.pivot_table(index='row', columns='col', fill_value=0, aggfunc='size')

    col   col0  col1  col2  col3  col4
row                               
row0     1     2     0     1     1
row2     1     0     2     1     2
row3     0     1     0     2     0
row4     0     1     2     2     1

  • pd.DataFrame.groupby

    df.groupby(['row', 'col'])['val0'].size().unstack(fill_value=0)

  • pd.crosstab

    pd.crosstab(df['row'], df['col'])

  • pd.factorize + np.bincount

    # get integer factorization `i` and unique values `r`
# for column `'row'`
i, r = pd.factorize(df['row'].values)
# get integer factorization `j` and unique values `c`
# for column `'col'`
j, c = pd.factorize(df['col'].values)
# `n` will be the number of rows
# `m` will be the number of columns
n, m = r.size, c.size
# `i * m + j` is a clever way of counting the 
# factorization bins assuming a flat array of length
# `n * m`.  Which is why we subsequently reshape as `(n, m)`
b = np.bincount(i * m + j, minlength=n * m).reshape(n, m)
# BTW, whenever I read this, I think 'Bean, Rice, and Cheese'
pd.DataFrame(b, r, c)

      col3  col2  col0  col1  col4
row3     2     0     0     1     0
row2     1     2     1     0     2
row0     1     0     1     2     1
row4     2     2     0     1     1

  • pd.get_dummies

    pd.get_dummies(df['row']).T.dot(pd.get_dummies(df['col']))

      col0  col1  col2  col3  col4
row0     1     2     0     1     1
row2     1     0     2     1     2
row3     0     1     0     2     0
row4     0     1     2     2     1

Soru 10

SADECE iki sütuna dönerek bir DataFrame'i uzuntan genişe nasıl dönüştürebilirim?

İlk adım, her satıra bir sayı atamaktır - bu sayı, döndürülen sonuçta o değerin satır dizini olacaktır. Bu aşağıdakiler kullanılarak yapılır GroupBy.cumcount:

df2.insert(0, 'count', df.groupby('A').cumcount())
df2

   count  A   B
0      0  a   0
1      1  a  11
2      2  a   2
3      3  a  11
4      0  b  10
5      1  b  10
6      2  b  14
7      0  c   7

İkinci adım, yeni oluşturulan sütunu aramak için dizin olarak kullanmaktır DataFrame.pivot.

df2.pivot(*df)
# df.pivot(index='count', columns='A', values='B')

A         a     b    c
count                 
0       0.0  10.0  7.0
1      11.0  10.0  NaN
2       2.0  14.0  NaN
3      11.0   NaN  NaN

Soru 11

Sonra birden çok dizini tek bir dizine nasıl düzleştirebilirim pivot

Eğer columnstip objectdizeylejoin 

df.columns = df.columns.map('|'.join)

Başka format

df.columns = df.columns.map('{0[0]}|{0[1]}'.format)
— piRSquared
kaynak
43
Resmi belgeleri uzatmayı düşünebilir misiniz ?
— MaxU
10. soruya verilen cevaba ne oldu? Anladım KeyError: 'A'. Cevabı daha var mı?
— Monica Heddneck
@MonicaHeddneck Tekrar gözden geçireceğim ve gerekirse güncelleyeceğim. Ancak, veri çerçevenizde gruplandırmak için 'A'bir sütun olduğunu varsayar 'A'.
— piRSquared
Birden çok değer sütunu üzerinde toplayabilir miyim? bunun cevabı farklı veri türündeki sütunlar için çalışacaktır. ex için: değerler = ['val0', 'val1'], burada val0 int ve val1 dize
— Anil Kumar
1
10. sorudaki sütunu eklemek gerekli değildir, doğrudan pivot tabloda bağımsız değişken olarak geçirilebilir
— ansev
4

Soru 10'un başka bir sürümünü @ piRSquared'in yanıtını genişletmek için

Soru 10.1

Veri çerçevesi:

d = data = {'A': {0: 1, 1: 1, 2: 1, 3: 2, 4: 2, 5: 3, 6: 5},
 'B': {0: 'a', 1: 'b', 2: 'c', 3: 'a', 4: 'b', 5: 'a', 6: 'c'}}
df = pd.DataFrame(d)

   A  B
0  1  a
1  1  b
2  1  c
3  2  a
4  2  b
5  3  a
6  5  c

Çıktı:

   0     1     2
A
1  a     b     c
2  a     b  None
3  a  None  None
5  c  None  None

kullanılması df.groupbyvepd.Series.tolist

t = df.groupby('A')['B'].apply(list)
out = pd.DataFrame(t.tolist(),index=t.index)
out
   0     1     2
A
1  a     b     c
2  a     b  None
3  a  None  None
5  c  None  None

Veya pd.pivot_tableile kullanmak çok daha iyi bir alternatifdf.squeeze.

t = df.pivot_table(index='A',values='B',aggfunc=list).squeeze()
out = pd.DataFrame(t.tolist(),index=t.index)
— Ch3steR
kaynak
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.