In [1]: import numpy as np
In [2]: import pandas as pd
什么是长表?什么是宽表?这个概念是对于某一个特征而言的。例如:一个表中把性别存储在某一个列中,那么它就是关于性别的长表;如果把性别作为列名,列中的元素是某一其他的相关特征数值,那么这个表是关于性别的宽表。下面的两张表就分别是关于性别的长表和宽表:
In [3]: pd.DataFrame({'Gender':['F','F','M','M'],
...: 'Height':[163, 160, 175, 180]})
...:
Out[3]:
Gender Height
0 F 163
1 F 160
2 M 175
3 M 180
In [4]: pd.DataFrame({'Height: F':[163, 160],
...: 'Height: M':[175, 180]})
...:
Out[4]:
Height: F Height: M
0 163 175
1 160 180
显然这两张表从信息上是完全等价的,它们包含相同的身高统计数值,只是这些数值的呈现方式不同,而其呈现方式主要又与性别一列选择的布局模式有关,即到底是以 long 的状态存储还是以 wide 的状态存储。因此, pandas
针对此类长宽表的变形操作设计了一些有关的变形函数。
1. pivot
pivot
是一种典型的长表变宽表的函数,首先来看一个例子:下表存储了张三和李四的语文和数学分数,现在想要把语文和数学分数作为列来展示。
In [5]: df = pd.DataFrame({'Class':[1,1,2,2],
...: 'Name':['San Zhang','San Zhang','Si Li','Si Li'],
...: 'Subject':['Chinese','Math','Chinese','Math'],
...: 'Grade':[80,75,90,85]})
...:
In [6]: df
Out[6]:
Class Name Subject Grade
0 1 San Zhang Chinese 80
1 1 San Zhang Math 75
2 2 Si Li Chinese 90
3 2 Si Li Math 85
对于一个基本的长变宽操作而言,最重要的有三个要素,分别是变形后的行索引、需要转到列索引的列,以及这些列和行索引对应的数值,它们分别对应了 pivot
方法中的 index, columns, values
参数。新生成表的列索引是 columns
对应列的 unique
值,而新表的行索引是 index
对应列的 unique
值,而 values
对应了想要展示的数值列。
In [7]: df.pivot(index='Name', columns='Subject', values='Grade')
Out[7]:
Subject Chinese Math
Name
San Zhang 80 75
Si Li 90 85
通过颜色的标记,更容易地能够理解其变形的过程:
利用 pivot
进行变形操作需要满足唯一性的要求,即由于在新表中的行列索引对应了唯一的 value
,因此原表中的 index
和 columns
对应两个列的行组合必须唯一。例如,现在把原表中第二行张三的数学改为语文就会报错,这是由于 Name
与 Subject
的组合中两次出现 ("San Zhang", "Chinese")
,从而最后不能够确定到底变形后应该是填写80分还是75分。
In [8]: df.loc[1, 'Subject'] = 'Chinese'
In [9]: try:
...: df.pivot(index='Name', columns='Subject', values='Grade')
...: except Exception as e:
...: Err_Msg = e
...:
In [10]: Err_Msg
Out[10]: ValueError('Index contains duplicate entries, cannot reshape')
pandas
从 1.1.0
开始, pivot
相关的三个参数允许被设置为列表,这也意味着会返回多级索引。这里构造一个相应的例子来说明如何使用:下表中六列分别为班级、姓名、测试类型(期中考试和期末考试)、科目、成绩、排名。
In [11]: df = pd.DataFrame({'Class':[1, 1, 2, 2, 1, 1, 2, 2],
....: 'Name':['San Zhang', 'San Zhang', 'Si Li', 'Si Li',
....: 'San Zhang', 'San Zhang', 'Si Li', 'Si Li'],
....: 'Examination': ['Mid', 'Final', 'Mid', 'Final',
....: 'Mid', 'Final', 'Mid', 'Final'],
....: 'Subject':['Chinese', 'Chinese', 'Chinese', 'Chinese',
....: 'Math', 'Math', 'Math', 'Math'],
....: 'Grade':[80, 75, 85, 65, 90, 85, 92, 88],
....: 'rank':[10, 15, 21, 15, 20, 7, 6, 2]})
....:
In [12]: df
Out[12]:
Class Name Examination Subject Grade rank
0 1 San Zhang Mid Chinese 80 10
1 1 San Zhang Final Chinese 75 15
2 2 Si Li Mid Chinese 85 21
3 2 Si Li Final Chinese 65 15
4 1 San Zhang Mid Math 90 20
5 1 San Zhang Final Math 85 7
6 2 Si Li Mid Math 92 6
7 2 Si Li Final Math 88 2
现在想要把测试类型和科目联合组成的四个类别(期中语文、期末语文、期中数学、期末数学)转到列索引,并且同时统计成绩和排名:
In [13]: pivot_multi = df.pivot(index = ['Class', 'Name'],
....: columns = ['Subject','Examination'],
....: values = ['Grade','rank'])
....:
In [14]: pivot_multi
Out[14]:
Grade rank
Subject Chinese Math Chinese Math
Examination Mid Final Mid Final Mid Final Mid Final
Class Name
1 San Zhang 80 75 90 85 10 15 20 7
2 Si Li 85 65 92 88 21 15 6 2
根据唯一性原则,新表的行索引等价于对 index
中的多列使用 drop_duplicates
,而列索引的长度为 values
中的元素个数乘以 columns
的唯一组合数量(与 index
类似) 。从下面的示意图中能够比较容易地理解相应的操作:
2. pivot_table
pivot
的使用依赖于唯一性条件,那如果不满足唯一性条件,那么必须通过聚合操作使得相同行列组合对应的多个值变为一个值。例如,张三和李四都参加了两次语文考试和数学考试,按照学院规定,最后的成绩是两次考试分数的平均值,此时就无法通过 pivot
函数来完成。
In [15]: df = pd.DataFrame({'Name':['San Zhang', 'San Zhang',
....: 'San Zhang', 'San Zhang',
....: 'Si Li', 'Si Li', 'Si Li', 'Si Li'],
....: 'Subject':['Chinese', 'Chinese', 'Math', 'Math',
....: 'Chinese', 'Chinese', 'Math', 'Math'],
....: 'Grade':[80, 90, 100, 90, 70, 80, 85, 95]})
....:
In [16]: df
Out[16]:
Name Subject Grade
0 San Zhang Chinese 80
1 San Zhang Chinese 90
2 San Zhang Math 100
3 San Zhang Math 90
4 Si Li Chinese 70
5 Si Li Chinese 80
6 Si Li Math 85
7 Si Li Math 95
pandas
中提供了 pivot_table
来实现,其中的 aggfunc
参数就是使用的聚合函数。上述场景可以如下写出:
In [17]: df.pivot_table(index = 'Name',
....: columns = 'Subject',
....: values = 'Grade',
....: aggfunc = 'mean')
....:
Out[17]:
Subject Chinese Math
Name
San Zhang 85 95
Si Li 75 90
这里传入 aggfunc
包含了 上一章 中介绍的所有合法聚合字符串,此外还可以传入以序列为输入标量为输出的聚合函数来实现自定义操作,上述功能可以等价写出:
In [18]: df.pivot_table(index = 'Name',
....: columns = 'Subject',
....: values = 'Grade',
....: aggfunc = lambda x:x.mean())
....:
Out[18]:
Subject Chinese Math
Name
San Zhang 85 95
Si Li 75 90
此外, pivot_table
具有边际汇总的功能,可以通过设置 margins=True
来实现,其中边际的聚合方式与 aggfunc
中给出的聚合方法一致。下面就分别统计了语文均分和数学均分、张三均分和李四均分,以及总体所有分数的均分:
In [19]: df.pivot_table(index = 'Name',
....: columns = 'Subject',
....: values = 'Grade',
....: aggfunc='mean',
....: margins=True)
....:
Out[19]:
Subject Chinese Math All
Name
San Zhang 85 95.0 90.00
Si Li 75 90.0 82.50
All 80 92.5 86.25
练一练
在上面的边际汇总例子中,行或列的汇总为新表中行元素或者列元素的平均值,而总体的汇总为新表中四个元素的平均值。这种关系一定成立吗?若不成立,请给出一个例子来说明。
3. melt
长宽表只是数据呈现方式的差异,但其包含的信息量是等价的,前面提到了利用 pivot
把长表转为宽表,那么就可以通过相应的逆操作把宽表转为长表, melt
函数就起到了这样的作用。在下面的例子中, Subject
以列索引的形式存储,现在想要将其压缩到一个列中。
In [20]: df = pd.DataFrame({'Class':[1,2],
....: 'Name':['San Zhang', 'Si Li'],
....: 'Chinese':[80, 90],
....: 'Math':[80, 75]})
....:
In [21]: df
Out[21]:
Class Name Chinese Math
0 1 San Zhang 80 80
1 2 Si Li 90 75
In [22]: df_melted = df.melt(id_vars = ['Class', 'Name'],
....: value_vars = ['Chinese', 'Math'],
....: var_name = 'Subject',
....: value_name = 'Grade')
....:
In [23]: df_melted
Out[23]:
Class Name Subject Grade
0 1 San Zhang Chinese 80
1 2 Si Li Chinese 90
2 1 San Zhang Math 80
3 2 Si Li Math 75
melt
的主要参数和压缩的过程如下图所示:
前面提到了 melt
和 pivot
是一组互逆过程,那么就一定可以通过 pivot
操作把 df_melted
转回 df
的形式:
In [24]: df_unmelted = df_melted.pivot(index = ['Class', 'Name'],
....: columns='Subject',
....: values='Grade')
....:
In [25]: df_unmelted # 下面需要恢复索引,并且重命名列索引名称
Out[25]:
Subject Chinese Math
Class Name
1 San Zhang 80 80
2 Si Li 90 75
In [26]: df_unmelted = df_unmelted.reset_index().rename_axis(
....: columns={'Subject':''})
....:
In [27]: df_unmelted.equals(df)
Out[27]: True
4. wide_to_long
melt
方法中,在列索引中被压缩的一组值对应的列元素只能代表同一层次的含义,即 values_name
。现在如果列中包含了交叉类别,比如期中期末的类别和语文数学的类别,那么想要把 values_name
对应的 Grade
扩充为两列分别对应语文分数和数学分数,只把期中期末的信息压缩,这种需求下就要使用 wide_to_long
函数来完成。
In [28]: df = pd.DataFrame({'Class':[1,2],'Name':['San Zhang', 'Si Li'],
....: 'Chinese_Mid':[80, 75], 'Math_Mid':[90, 85],
....: 'Chinese_Final':[80, 75], 'Math_Final':[90, 85]})
....:
In [29]: df
Out[29]:
Class Name Chinese_Mid Math_Mid Chinese_Final Math_Final
0 1 San Zhang 80 90 80 90
1 2 Si Li 75 85 75 85
In [30]: pd.wide_to_long(df,
....: stubnames=['Chinese', 'Math'],
....: i = ['Class', 'Name'],
....: j='Examination',
....: sep='_',
....: suffix='.+')
....:
Out[30]:
Chinese Math
Class Name Examination
1 San Zhang Mid 80 90
Final 80 90
2 Si Li Mid 75 85
Final 75 85
具体的变换过程由下图进行展示,属相同概念的元素使用了一致的颜色标出:
下面给出一个比较复杂的案例,把之前在 pivot
一节中多列操作的结果(产生了多级索引),利用 wide_to_long
函数,将其转为原来的形态。其中,使用了第八章的 str.split
函数,目前暂时只需将其理解为对序列按照某个分隔符进行拆分即可。
In [31]: res = pivot_multi.copy()
In [32]: res.columns = res.columns.map(lambda x:'_'.join(x))
In [33]: res = res.reset_index()
In [34]: res = pd.wide_to_long(res, stubnames=['Grade', 'rank'],
....: i = ['Class', 'Name'],
....: j = 'Subject_Examination',
....: sep = '_',
....: suffix = '.+')
....:
In [35]: res
Out[35]:
Grade rank
Class Name Subject_Examination
1 San Zhang Chinese_Mid 80 10
Chinese_Final 75 15
Math_Mid 90 20
Math_Final 85 7
2 Si Li Chinese_Mid 85 21
Chinese_Final 65 15
Math_Mid 92 6
Math_Final 88 2
In [36]: res = res.reset_index()
In [37]: res[['Subject', 'Examination']] = res[
....: 'Subject_Examination'].str.split('_', expand=True)
....:
In [38]: res = res[['Class', 'Name', 'Examination',
....: 'Subject', 'Grade', 'rank']].sort_values('Subject')
....:
In [39]: res = res.reset_index(drop=True)
In [40]: res
Out[40]:
Class Name Examination Subject Grade rank
0 1 San Zhang Mid Chinese 80 10
1 1 San Zhang Final Chinese 75 15
2 2 Si Li Mid Chinese 85 21
3 2 Si Li Final Chinese 65 15
4 1 San Zhang Mid Math 90 20
5 1 San Zhang Final Math 85 7
6 2 Si Li Mid Math 92 6
7 2 Si Li Final Math 88 2