Python 2.7 展平3级多索引数据帧
我有以下建议:Python 2.7 展平3级多索引数据帧,python-2.7,pandas,Python 2.7,Pandas,我有以下建议: Window 5 15 30 45
Window 5 15 30 45
feature col0 col1 col2 col0 col1 col2 col0 col1 col2 col0 col1 col2
metric mean std mean std mean std mean std mean std mean std mean std mean std mean std mean std mean std mean std
0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
2 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
3 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
4 -0.878791 1.453479 -0.265591 0.712361 0.532332 0.894304 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
5 -0.748535 1.459479 -0.023874 1.250110 0.913094 1.134599 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
它有3个级别,我想将其扁平化为:
col0_5_mean col0_5_std col0_15_mean col0_15_std col0_30_mean col0_30_std col0_45_mean col0_45_std col1_5_mean col1_5_std...
所以顺序应该是特征\窗口\度量
df由以下内容生成:
import numpy as np
import pandas as pd
np.random.seed(123)
# def add_mean_std_cols3(df):
df = pd.DataFrame(np.random.randn(100,3)).add_prefix('col')
windows = [5, 15, 30, 45]
stats = ['mean', 'std']
cols = pd.MultiIndex.from_product([windows, df.columns, stats],
names=['window', 'feature', 'metric'])
df2 = pd.DataFrame(np.empty((df.shape[0], len(cols))), columns=cols,
index=df.index)
for window in windows:
df2.loc[:, window] = df.rolling(window=window).agg(stats).values
print df2
到目前为止,我尝试了以下解决方案:
从
我感谢你的建议
谢谢使用
In [1914]: df2.columns = ['{1}_{0}_{2}'.format(*c) for c in df2.columns]
In [1915]: df2.columns
Out[1915]:
Index([u'col0_5_mean', u'col0_5_std', u'col1_5_mean', u'col1_5_std',
u'col2_5_mean', u'col2_5_std', u'col0_15_mean', u'col0_15_std',
u'col1_15_mean', u'col1_15_std', u'col2_15_mean', u'col2_15_std',
u'col0_30_mean', u'col0_30_std', u'col1_30_mean', u'col1_30_std',
u'col2_30_mean', u'col2_30_std', u'col0_45_mean', u'col0_45_std',
u'col1_45_mean', u'col1_45_std', u'col2_45_mean', u'col2_45_std'],
dtype='object')
In [1916]: df2.head(2)
Out[1916]:
col0_5_mean col0_5_std col1_5_mean col1_5_std col2_5_mean col2_5_std \
0 NaN NaN NaN NaN NaN NaN
1 NaN NaN NaN NaN NaN NaN
col0_15_mean col0_15_std col1_15_mean col1_15_std ... \
0 NaN NaN NaN NaN ...
1 NaN NaN NaN NaN ...
col1_30_mean col1_30_std col2_30_mean col2_30_std col0_45_mean \
0 NaN NaN NaN NaN NaN
1 NaN NaN NaN NaN NaN
col0_45_std col1_45_mean col1_45_std col2_45_mean col2_45_std
0 NaN NaN NaN NaN NaN
1 NaN NaN NaN NaN NaN
[2 rows x 24 columns]
使用
您仍然可以将
map
与格式一起使用:
df2.columns = df2.columns.map('{0[0]} | {0[1]} | {0[2]}'.format)
您仍然可以将map
与格式一起使用:
df2.columns = df2.columns.map('{0[0]} | {0[1]} | {0[2]}'.format)
令人惊叹的非常感谢!你知道我在哪里可以学到更多关于这种格式化的知识吗?太棒了!!非常感谢!你知道我在哪里可以学到更多关于这种格式化的知识吗?@Diego Index(5 | col1 1 |; 5 5 |冷却冷却液0 0 0 0 0 0|;; 4 |冷却液1 | std 12400 0 0 0 0 0 0 0 0 0 0 0 5 |冷却液0 0 0 0 0 0 0 0 0 0 0 |;意思意思意思意思表示、5 12445 |冷却液1 1 |;性性性性病、5 5 12400 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 12400 0 0 0 0 0 0 0 5 12400 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 \124;;;;;;;;冷却冷却液1 1 1 1 1 1 1 \|;;;;;性性性1 |平均值,'30 | col1 |标准,'30 | col2 |平均数,'30 | col2 |标准','45 | col0 |平均数','45 | col0 |标准','45 | col1 |平均数','45 | col2 |标准','dtype='object')@Diego Index(5 | col1 1 |; 5 5 |冷却冷却液0 0 0 0 0 0|;; 4 |冷却液1 | std 12400 0 0 0 0 0 0 0 0 0 0 0 5 |冷却液0 0 0 0 0 0 0 0 0 0 0 |;意思意思意思意思表示、5 12445 |冷却液1 1 |;性性性性病、5 5 12400 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 12400 0 0 0 0 0 0 0 5 12400 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 \124;;;;;;;;冷却冷却液1 1 1 1 1 1 1 \|;;;;;性性性1 |平均值,'30 | col1 |标准,'30 | col2 |平均值,'30 | col2 |标准','45 | col0 |平均值','45 | col0 |标准','45 | col1 |平均值','45 | col2 |标准','dtype='object')