在python中解析多个系列并重命名标题

我的价格数据是这样的

你会看到

时间序列的起点和终点因两列和两列而不同

有一个空单元格需要填写“date_23340 KS Equity”或其他内容

---

我喜欢通过equities高效地导入这个巨大的文件，最重要的是，将空单元格的名称更改为“date_equities’name”。我怎样才能将它划分为由日期和值组成的单独数据帧

如果您对pandas从文件的第一行生成的自动头不满意，您可以跳过它，告诉pandas不要生成头并提供自己的头。 除此之外，您还可以选择要读取的列：

df_1 = pd.read_csv("price.csv", usecols = [0,1], skiprows=1, header=['date', 'equity'])

df_2 = pd.read_csv("price.csv", usecols = [2,3], skiprows=1, header=['date', 'equity'])

---

首先按shift列名创建

系列

，按第一个空格拆分并追加

日期

，最后一个过滤器仅

未命名

索引值和

重命名

列名：

s = df.columns.to_series().shift(-1).str.split(n=1).str[0] + ' Date'
s = s[s.index.str.startswith('Unnamed')]
print (s)
Unnamed: 0    233740 Date
Unnamed: 2    233160 Date
dtype: object

df = df.rename(columns=s)
print (df)
  233740 Date  233740 KS Equity 233160 Date  233160 KS Equity
0  2015-12-17           10330.0  2017-08-31           10460.0
1  2015-12-18           10710.0  2017-09-01           10815.0
2  2015-12-21           10720.0  2017-09-04           10835.0
3  2015-12-22           10495.0  2017-09-05           10660.0
4  2015-12-23           10425.0  2017-09-06           10535.0

如果需要从所有数据中创建2或3列，请首先创建多索引，然后调用：

编辑：

多个不同标题的解决方案：

#create dummy data
df1 = df.copy()
df1.columns = ['Unnamed: 4','233 JP Equity','Unnamed: 6','235 JP Equity']
df = df.join(df1)
print (df)
   Unnamed: 0  233740 KS Equity  Unnamed: 2  233160 KS Equity  Unnamed: 4  \
0  2015-12-17           10330.0  2017-08-31           10460.0  2015-12-17   
1  2015-12-18           10710.0  2017-09-01           10815.0  2015-12-18   
2  2015-12-21           10720.0  2017-09-04           10835.0  2015-12-21   
3  2015-12-22           10495.0  2017-09-05           10660.0  2015-12-22   
4  2015-12-23           10425.0  2017-09-06           10535.0  2015-12-23   

   233 JP Equity  Unnamed: 6  235 JP Equity  
0        10330.0  2017-08-31        10460.0  
1        10710.0  2017-09-01        10815.0  
2        10720.0  2017-09-04        10835.0  
3        10495.0  2017-09-05        10660.0  
4        10425.0  2017-09-06        10535.0  

s = df.columns.to_series().shift(-1) + ' Date'
s = s[s.index.str.startswith('Unnamed')]
print (s)
Unnamed: 0    233740 KS Equity Date
Unnamed: 2    233160 KS Equity Date
Unnamed: 4       233 JP Equity Date
Unnamed: 6       235 JP Equity Date
dtype: object

df = df.rename(columns=s)

在列表理解groupby first number中，同时创建dataetimeindex和concat。最后通过

stack

和

unstack

对移除

NaN

s进行整形：

f = lambda x: x.split(' ',1)[1]
df = pd.concat([x.set_index(x.columns[0]).rename(columns=f) for i, x 
                in df.groupby(df.columns.str.split(n=1).str[0], axis=1)], 1).stack().unstack()
print (df)
            JP Equity  KS Equity
2015-12-17    10330.0    10330.0
2015-12-18    10710.0    10710.0
2015-12-21    10720.0    10720.0
2015-12-22    10495.0    10495.0
2015-12-23    10425.0    10425.0
2017-08-31    10460.0    10460.0
2017-09-01    10815.0    10815.0
2017-09-04    10835.0    10835.0
2017-09-05    10660.0    10660.0
2017-09-06    10535.0    10535.0

---

非常感谢你，@jezrael，在制作新的列标题之前，你是对的。而且效果很好。然而，有一个小的缓存，不是所有股票都以“KS股票”结尾。数据中也有一些“JP股票”，因此结果是，

val Date JP Equity KS Equity 0 069500 2013-01-02 NaN 27130.0 1 069660 2013-01-02 NaN 27110.0 2 091160 2013-01-02 NaN 16140.0 3 091170 2013-01-02 NaN 7540.0 4 091180 2013-01-02 NaN 20310.0

也许我需要多做一点帮助……谢谢很多：）@HannahLee-当然，给我一些时间。@HannahLee-如果

KS股票

和

JP股票

，预期的产出是多少？3列？

#create dummy data
df1 = df.copy()
df1.columns = ['Unnamed: 4','233 JP Equity','Unnamed: 6','235 JP Equity']
df = df.join(df1)
print (df)
   Unnamed: 0  233740 KS Equity  Unnamed: 2  233160 KS Equity  Unnamed: 4  \
0  2015-12-17           10330.0  2017-08-31           10460.0  2015-12-17   
1  2015-12-18           10710.0  2017-09-01           10815.0  2015-12-18   
2  2015-12-21           10720.0  2017-09-04           10835.0  2015-12-21   
3  2015-12-22           10495.0  2017-09-05           10660.0  2015-12-22   
4  2015-12-23           10425.0  2017-09-06           10535.0  2015-12-23   

   233 JP Equity  Unnamed: 6  235 JP Equity  
0        10330.0  2017-08-31        10460.0  
1        10710.0  2017-09-01        10815.0  
2        10720.0  2017-09-04        10835.0  
3        10495.0  2017-09-05        10660.0  
4        10425.0  2017-09-06        10535.0  

s = df.columns.to_series().shift(-1) + ' Date'
s = s[s.index.str.startswith('Unnamed')]
print (s)
Unnamed: 0    233740 KS Equity Date
Unnamed: 2    233160 KS Equity Date
Unnamed: 4       233 JP Equity Date
Unnamed: 6       235 JP Equity Date
dtype: object

df = df.rename(columns=s)

f = lambda x: x.split(' ',1)[1]
df = pd.concat([x.set_index(x.columns[0]).rename(columns=f) for i, x 
                in df.groupby(df.columns.str.split(n=1).str[0], axis=1)], 1).stack().unstack()
print (df)
            JP Equity  KS Equity
2015-12-17    10330.0    10330.0
2015-12-18    10710.0    10710.0
2015-12-21    10720.0    10720.0
2015-12-22    10495.0    10495.0
2015-12-23    10425.0    10425.0
2017-08-31    10460.0    10460.0
2017-09-01    10815.0    10815.0
2017-09-04    10835.0    10835.0
2017-09-05    10660.0    10660.0
2017-09-06    10535.0    10535.0