Python 如何使用melt()将数据框重塑为列表,从交叉表列创建索引并在其位置创建新变量?
我有一个数据矩阵29523行x 503列,其中3列是索引(下面是一个子集示例) 我将其读入一个Python 如何使用melt()将数据框重塑为列表,从交叉表列创建索引并在其位置创建新变量?,python,numpy,pandas,Python,Numpy,Pandas,我有一个数据矩阵29523行x 503列,其中3列是索引(下面是一个子集示例) 我将其读入一个数据框: >>> df = pd.read_csv(C:\filename.csv, low_memory=False, mangle_dupe_cols=False) 然后使用pandas.melt()透视数据: df1 = pd.melt(df, id_vars=['IDX1', 'IDX2', 'IDX3'], var_name='ValueType',
数据框
:
>>> df = pd.read_csv(C:\filename.csv, low_memory=False, mangle_dupe_cols=False)
然后使用pandas.melt()
透视数据:
df1 = pd.melt(df, id_vars=['IDX1', 'IDX2', 'IDX3'], var_name='ValueType',
value_name = 'Value')
我也尝试过stack()
,但是melt()
在这里被证明更好
IDX1 | IDX2 | IDX3 | ValueType | Value
---------------------------------------------------------------
A | A1 | Q | 1983 Q4 | 10
A | A1 | Q | X | A
A | A1 | Q | Y | F
A | A1 | Q | Z | NaN
A | A1 | Q | 1984 Q1 | 110
A | A1 | Q | X | A
A | A1 | Q | Y | F
A | A1 | Q | Z | NaN
A | A2 | Q | 1983 Q4 | 20
A | A2 | Q | X | B
A | A2 | Q | Y | C
A | A2 | Q | Z | 40
read\u csv
ifTrue
上的选项mangle\u dupe\u cols
将在所有重复的ValueType
上放置一个.int
后缀。这并不理想,但如果没有它,就无法将变量的值链接到正确的周期
我更愿意做的是,不要将期间
(1984 Q1)
作为值类型
,而是给期间
s相应的值
一个变量'W'
,并让每个期间构成IDX
的一部分,如下所示:
IDX1 | IDX2 | IDX3 | IDX4 | ValueType | Value
---------------------------------------------------------------
A | A1 | Q | 1983 Q4| W | 10
A | A1 | Q | 1983 Q4| X | A
A | A1 | Q | 1983 Q4| Y | F
A | A1 | Q | 1983 Q4| Z | NaN
A | A1 | Q | 1984 Q1| W | 110
A | A1 | Q | 1984 Q1| X | A
A | A1 | Q | 1984 Q1| Y | F
A | A1 | Q | 1984 Q1| Z | NaN
A | A2 | Q | 1983 Q4| W | 20
A | A2 | Q | 1983 Q4| X | B
A | A2 | Q | 1983 Q4| Y | C
A | A2 | Q | 1983 Q4| Z | 40
以上是熊猫还是numpy可以做到的
我的最终数据帧是14761500行x 6列。
In [189]: df
Out[189]:
IDX1 IDX2 IDX3 1983 Q4 X Y Z 1984 Q1 X.1 Y.1 Z.1
0 A A1 Q 10 A F NaN 110 A F NaN
1 A A2 Q 20 B C 40 120 B C 240
2 A A3 Q 30 A F NaN 130 A F NaN
3 A A4 Q 40 B C 80 140 B C 280
4 A A5 Q 50 A F NaN 150 A F NaN
5 A A6 Q 60 B F 120 160 B F 320
让我们首先设置['IDX1','IDX2','IDX3']
作为索引
df = df.set_index(['IDX1', 'IDX2', 'IDX3'])
其他列对它们具有周期性质量;我们要处理每4个问题
列作为一个组。这种“集体处理”的想法自然会导致
为列索引指定新的索引级别;一些相同的值
每4列。这将是理想的:
1983 Q4 1984 Q1
W X Y Z W X Y Z
IDX1 IDX2 IDX3
A A1 Q 10 A F NaN 110 A F NaN
A2 Q 20 B C 240 120 B C 240
A3 Q 30 A F NaN 130 A F NaN
A4 Q 40 B C 280 140 B C 280
A5 Q 50 A F NaN 150 A F NaN
A6 Q 60 B F 320 160 B F 320
我们可以通过构建多索引并将其分配给df.columns
,来实现这一点:
columns = [col for col in df.columns if col[0] not in set(list('XYZ'))]
df.columns = pd.MultiIndex.from_product([columns, list('WXYZ')])
现在,可以通过调用df.stack
来获得所需的长格式数据帧
将列级别移动到行索引中:
df.columns.names = ['IDX4', 'ValueType']
series = df.stack(['IDX4', 'ValueType'], dropna=False)
还要注意,当
mangle\u dupe\u cols=False
时,重复的列,X
,Y
,
Z
,被覆盖。因此,使用mangle\u dupe\u cols=False将丢失数据。对于
例如,当您使用mangle\u dupe\u cols=False
时,最后一行的Z
值
分配给每个Z
列,不考虑周期
所以我们必须使用mangle\u dupe\u cols=True
,(或者干脆不使用它,因为这是
默认)并相应地调整代码。幸运的是,这并不难做到
因为我们正在将df.columns
重新指定给自定义的构建多索引
总而言之:
import numpy as np
import pandas as pd
df = pd.read_table('data', sep=r'\s*[|]\s*')
df = df.set_index(['IDX1', 'IDX2', 'IDX3'])
columns = [col for col in df.columns if col[0] not in set(list('XYZ'))]
df.columns = pd.MultiIndex.from_product([columns, list('WXYZ')])
df.columns.names = ['IDX4', 'ValueType']
series = df.stack(['IDX4', 'ValueType'], dropna=False)
print(series.head())
屈服
IDX1 IDX2 IDX3 IDX4 ValueType
A A1 Q 1983 Q4 W 10
X A
Y F
Z NaN
1984 Q1 W 110
dtype: object
请注意,由于我们删除了所有列级别,因此结果是一个系列。
如果您想要一个包含6列的数据帧,那么我们应该使用以下内容:
series.name = 'Value'
df = series.reset_index()
print(df.head())
产生
IDX1 IDX2 IDX3 IDX4 ValueType Value
0 A A1 Q 1983 Q4 W 10
1 A A1 Q 1983 Q4 X A
2 A A1 Q 1983 Q4 Y F
3 A A1 Q 1983 Q4 Z NaN
4 A A1 Q 1984 Q1 W 110
...
非常感谢,格式现在是正确的,但是每个组中的值都有问题。我的数据集从1983年第4季度运行到2014年第4季度,对于每个组,我有4个值(W、X、Y、Z)。这些也会在每组重复,也可能是NaN。似乎建议的解决方案排除了NAN,并且在将值分配到正确的值类型和周期组合时也会感到困惑。我提供的示例数据应该还有几个周期组。初始df行中的最后一个值被写入存在NAN的所有位置。我们可以通过将dropna=False
传递给调用df.stack
来防止NAN被丢弃。值的错误分配是由于mangle\u dupe\u cols=False
造成的。不仅列名重复,而且列值也重复。谢谢你指出这一点;我没有意识到这是使用此参数时的行为。为了解决这两个问题,我修改了上面的代码。
IDX1 IDX2 IDX3 IDX4 ValueType Value
0 A A1 Q 1983 Q4 W 10
1 A A1 Q 1983 Q4 X A
2 A A1 Q 1983 Q4 Y F
3 A A1 Q 1983 Q4 Z NaN
4 A A1 Q 1984 Q1 W 110
...