Python 熊猫系列可以是一列而不是一行吗？

这是一个真正的问题，尽管乍一看似乎令人毛骨悚然。基本上，我想把一个系列看作一列而不是一行，我认为这是很直观的，即使系列在技术上不能分为行和列（？），而一维numpy数组可以。例如：

df = pd.DataFrame( { 'a' : [5,3,1],
                     'b' : [4,6,2],
                     'c' : [2,4,9] } )

df['rowsum'] = df.sum(1)

In [31]: df
Out[31]: 
   a  b  c  rowsum
0  5  4  2      11
1  3  6  4      13
2  1  2  9      12

我只想按行获取百分比（因此行和为1）。我想这样做：

df.iloc[:,0:3] / df.rowsum

这在numpy（使用“重塑”）中效果很好，因为可以将行和设置为列或行向量。但在这里，我不能重塑序列或在df.rowsum上使用t。数据帧似乎可以转置，但不能转置为序列。以下工作（以及其他几个解决方案）。它可以自然地用numpy编码，但这需要转换为数组，然后再转换回数据帧

In [32]: ( df.iloc[:,0:3].T / df.rowsum ).T
Out[32]: 
          a         b         c
0  0.454545  0.363636  0.181818
1  0.230769  0.461538  0.307692
2  0.083333  0.166667  0.750000

如果这看起来很琐碎，我很抱歉，但是能够以直观的方式按照行和列进行编码是很有价值的。所以问题仅仅是：我能让一个序列像一个列向量而不是一个行向量吗

而且，这在一个列上运行良好似乎是不一致的

df.iloc[：，0]/df.rowsum

在这种情况下，pandas似乎在（元素方向）划分两个列数组（由于显示，即使行/列的区别是人为的）。但当该表达式的第一部分从数据帧更改为序列时，它似乎实际上从3x1变为1x2。这就像从一个系列到一个数据帧是一个隐式转换操作

也许是更好的思考方式：

all( dist.iloc[:,:10].index == dist.rowsum.index )
Out[1526]: True

索引排列在这里，为什么熊猫在系列/系列广播中使用的索引与在数据帧/系列广播中使用的索引不同？还是我只是觉得这完全错了

试试看

df.iloc[:, 0:3].div(df.rowsum, axis=0)

看看这是不是你想要的。

试试看

df.iloc[:, 0:3].div(df.rowsum, axis=0)

看看这是不是你想要的。

试试看

df.iloc[:, 0:3].div(df.rowsum, axis=0)

看看这是不是你想要的。

试试看

df.iloc[:, 0:3].div(df.rowsum, axis=0)

看看这是不是你想要的。

试试这个

df.apply(lambda x:x/x[3], axis = 1)

        a          b           c    rowsum
0   0.454545    0.363636    0.181818    1
1   0.230769    0.461538    0.307692    1
2   0.083333    0.166667    0.750000    1

如果不需要行和列，可以使用

df.apply(lambda x:x/sum(x), axis = 1) #with your original dataFrame

试试这个

df.apply(lambda x:x/x[3], axis = 1)

        a          b           c    rowsum
0   0.454545    0.363636    0.181818    1
1   0.230769    0.461538    0.307692    1
2   0.083333    0.166667    0.750000    1

如果不需要行和列，可以使用

df.apply(lambda x:x/sum(x), axis = 1) #with your original dataFrame

试试这个

df.apply(lambda x:x/x[3], axis = 1)

        a          b           c    rowsum
0   0.454545    0.363636    0.181818    1
1   0.230769    0.461538    0.307692    1
2   0.083333    0.166667    0.750000    1

如果不需要行和列，可以使用

df.apply(lambda x:x/sum(x), axis = 1) #with your original dataFrame

试试这个

df.apply(lambda x:x/x[3], axis = 1)

        a          b           c    rowsum
0   0.454545    0.363636    0.181818    1
1   0.230769    0.461538    0.307692    1
2   0.083333    0.166667    0.750000    1

如果不需要行和列，可以使用

df.apply(lambda x:x/sum(x), axis = 1) #with your original dataFrame

---

谢谢这是一个很好的实践方法，尽管我仍在寻求更深入的理解。查看帮助和更多细节。谢谢！这是一个很好的实践方法，尽管我仍在寻求更深入的理解。查看帮助和更多细节。谢谢！这是一个很好的实践方法，尽管我仍在寻求更深入的理解。查看帮助和更多细节。谢谢！这是一个很好的实践方法，尽管我仍在寻求更深入的理解。查看帮助和更多细节。谢谢！这可能是最具可读性的方法，不过如果有好的替代方案，出于速度原因，我通常会尽量避免使用apply/lambda（尽管这里不考虑速度）。谢谢！这可能是最具可读性的方法，不过如果有好的替代方案，出于速度原因，我通常会尽量避免使用apply/lambda（尽管这里不考虑速度）。谢谢！这可能是最具可读性的方法，不过如果有好的替代方案，出于速度原因，我通常会尽量避免使用apply/lambda（尽管这里不考虑速度）。谢谢！这可能是最具可读性的方法，不过如果有好的替代方案，出于速度原因，我通常会尽量避免使用apply/lambda（尽管这里不考虑速度）。