Python 从分组列中另一个数据帧的每一行创建数据帧？

目标：将数据框a的每一行转换为新的数据框B。此新的数据框B应在每一行中包含来自a的一组列。如果有6组，则每个B中应有6行

问：我设法做到了以上几点，我只是想知道是否有一种更像蟒蛇的方式来做到这一点？我已经尽可能地简化了，但我觉得有一个更简单的解决方案。以下是我的方法：

import pandas as pd
import numpy as np

A = pd.DataFrame(np.random.rand(100,3), columns=['A_1','B_1','B_2'])
slices = [['A_1','A_2'],['B_1','B_2']]

def create_timeseries(data, slices):
    sliced_cols = [list(data.columns[data.columns.isin(i)]) for i in slices]
    len_slices = [0] + [len(sliced_cols[i]) for i in range(len(sliced_cols))]
    len_slices = np.cumsum(len_slices) 
    final_sliced_data = []
    for i, rows in enumerate(data.iterrows()):
        mat = np.zeros((len(sliced_cols), len_slices[-1]))
        for j, slices in enumerate(sliced_cols):
            mat[j, len_slices[j]:len_slices[j+1]] = rows[1].loc[slices]
        final_sliced_data.append(pd.DataFrame(mat, columns=sum(sliced_cols, [])))
    return final_sliced_data

B = create_timeseries(A, slices)

# have a look at first tranformed row
B[0]

例如：

输入100个观察值：

A:
         A_1       B_1       B_2
0   0.574628  0.521426  0.161865
1   0.137718  0.237061  0.124890
2   0.753827  0.032432  0.785584
3   0.611985  0.606326  0.585408
4   0.676480  0.543213  0.055162
..       ...       ...       ...
95  0.383652  0.189211  0.223110
96  0.063715  0.312059  0.233206
97  0.886396  0.072423  0.108809
98  0.853179  0.314846  0.907006
99  0.302820  0.402470  0.152462

[100 rows x 3 columns]

B[0]:
        A_1       B_1       B_2
0  0.574628  0.000000  0.000000
1  0.000000  0.521426  0.161865

B[1]:
        A_1       B_1      B_2
0  0.137718  0.000000  0.00000
1  0.000000  0.237061  0.12489

输出前2个观察结果：

A:
         A_1       B_1       B_2
0   0.574628  0.521426  0.161865
1   0.137718  0.237061  0.124890
2   0.753827  0.032432  0.785584
3   0.611985  0.606326  0.585408
4   0.676480  0.543213  0.055162
..       ...       ...       ...
95  0.383652  0.189211  0.223110
96  0.063715  0.312059  0.233206
97  0.886396  0.072423  0.108809
98  0.853179  0.314846  0.907006
99  0.302820  0.402470  0.152462

[100 rows x 3 columns]

B[0]:
        A_1       B_1       B_2
0  0.574628  0.000000  0.000000
1  0.000000  0.521426  0.161865

B[1]:
        A_1       B_1      B_2
0  0.137718  0.000000  0.00000
1  0.000000  0.237061  0.12489

试试这个：

B = A.apply(lambda x: pd.DataFrame([[x.A_1,0,0],[0, x.B_1, x.B_2]], columns=A.columns), axis=1).tolist()

试试这个：

B = A.apply(lambda x: pd.DataFrame([[x.A_1,0,0],[0, x.B_1, x.B_2]], columns=A.columns), axis=1).tolist()

替代解决方案：

B = pd.DataFrame(data=np.repeat(A.values, 2, axis=0), columns=A.columns)
B.loc[1::2, 'A_1'] = 0
B.loc[::2 ,['B_1', 'B_2']] = 0
B = [B.iloc[i:i+2, :] for i in range(0, len(B), 2)]

替代解决方案：

B = pd.DataFrame(data=np.repeat(A.values, 2, axis=0), columns=A.columns)
B.loc[1::2, 'A_1'] = 0
B.loc[::2 ,['B_1', 'B_2']] = 0
B = [B.iloc[i:i+2, :] for i in range(0, len(B), 2)]

---

---

如果您可以添加示例输入和预期输出，目标将变得清晰。@Parth上面的代码中已经包含了作为输入的A和作为预期输出的B[0]，但我可能会添加visual Support好的，但请用示例说明，基于什么逻辑，输出是从输入创建的？从代码中理解不是正确的做法。是的，你是对的，我添加了一个例子。问题是，上面的代码解决了这个问题。我只是好奇是否有更好的方法来做同样的事情。检查答案，看看它是否满足您的要求。如果您可以添加示例输入和预期输出，目标就会变得清晰。@Parth上面的代码中已经包含了a作为输入，B[0]作为预期输出，但我可能会添加视觉支持，好吧，但请用示例说明，基于什么逻辑，输出是从输入创建的？从代码中理解不是正确的做法。是的，你是对的，我添加了一个例子。问题是，上面的代码解决了这个问题。我只是好奇是否有更好的方法来做同样的事情。检查答案，看看它是否满足您的要求。不错的解决方案，但是数据帧的头丢失了。不过很容易修复：B=A.applylambda x:pd.DataFrame[[x.A_1,0,0]，[0，x.B_1，x.B_2]]，columns=A.columns，axis=1。谢谢你们的建议，我也会检查如何将其添加到我的函数中！无论哪种方法最适合你的需求，都要考虑接受一个好的解决方案，但是数据文件的头丢失了。不过很容易修复：B=A.applylambda x:pd.DataFrame[[x.A_1,0,0]，[0，x.B_1，x.B_2]]，columns=A.columns，axis=1。谢谢你们的建议，我也会检查如何将其添加到我的函数中！无论哪种方法最适合你的需求，考虑接受一个答案。感谢输入，我会尝试添加这个方法到我的功能。感谢输入。我会尝试把这个方法添加到我的函数中。