在Python中将列转换为行

我有以下Python数据帧：

     fruits | numFruits
---------------------
0  | apples |   10
1  | grapes |   20
2  |  figs  |   15

我想：

                 apples | grapes | figs
-----------------------------------------
Market 1 Order |    10  |   20   |  15

我已经研究了pivot（）、pivot_table（）、Transpose和unstack（），但它们似乎都没有给出这一点。熊猫新手，非常感谢您的帮助。

您需要通过以下方式进行转置：

如果需要重命名列，则有点复杂：

print (df.rename(columns={'numFruits':'Market 1 Order'})
         .set_index('fruits')
         .rename_axis(None).T)
                apples  grapes  figs
Market 1 Order      10      20    15

另一个更快的解决方案是使用：

计时：

#[30000 rows x 2 columns] 
df = pd.concat([df]*10000).reset_index(drop=True)    
print (df)


In [55]: %timeit (pd.DataFrame([df.numFruits.values], ['Market 1 Order'], df.fruits.values))
1 loop, best of 3: 2.4 s per loop

In [56]: %timeit (pd.DataFrame(df.numFruits.values.reshape(1,-1), index=['Market 1 Order'], columns=df.fruits.values))
The slowest run took 5.64 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 424 µs per loop

In [57]: %timeit (df.rename(columns={'numFruits':'Market 1 Order'}).set_index('fruits').rename_axis(None).T)
100 loops, best of 3: 1.94 ms per loop

---

---

请参阅耶斯雷尔对这一概念的强化

df.numFruits.values.reformate（1，-1）

更有效。

您可以使用熊猫转置api，如下所示：

df.transpose()

---

考虑到df是你的熊猫数据框

@jezrael，我太马虎了。计算出我有一个数组列表的开销。一开始就给它2-D数组比你给它的简单多了。@jezrael这个概念是一样的。我将编辑我的答案以指向您对它的更新。@jezrael另外，我认为对于较大的阵列来说，开销很小。。。也许贝有点困惑，但我认为现在它是超级的。谢谢。我提出了一个关于解释的新问题，希望你们能得到好的答案；）如果您对性能的差异感兴趣，请勾选此Hi…在这个问题中，只有3列，如果我们有10列，我们需要保留其中8列，然后使用其他2列来重塑数据，该怎么办？似乎您需要，但没有数据硬回答。也许最好的办法是用样本数据、期望的输出和你的尝试（你的代码）创建一个新问题。我刚刚创建了一个新问题，请审阅。

#[30000 rows x 2 columns] 
df = pd.concat([df]*10000).reset_index(drop=True)    
print (df)


In [55]: %timeit (pd.DataFrame([df.numFruits.values], ['Market 1 Order'], df.fruits.values))
1 loop, best of 3: 2.4 s per loop

In [56]: %timeit (pd.DataFrame(df.numFruits.values.reshape(1,-1), index=['Market 1 Order'], columns=df.fruits.values))
The slowest run took 5.64 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 424 µs per loop

In [57]: %timeit (df.rename(columns={'numFruits':'Market 1 Order'}).set_index('fruits').rename_axis(None).T)
100 loops, best of 3: 1.94 ms per loop

pd.DataFrame([df.numFruits.values], ['Market 1 Order'], df.fruits.values)

                apples  grapes  figs
Market 1 Order      10      20    15

df.transpose()