数据结构
网络
RDBMS
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化学
生物
数学
英语
经济学
心理学
社会科学
时尚研究
法律研究如何调整 Pandas Series 的形状？
我们可以使用转置、reshape 方法和 melt 函数等方法来调整 Pandas 系列。Pandas 系列是一个一维标签数组，它可以容纳任何类型的数组（整数、浮点数、字符串等）。它类似于 NumPy 数组，但每个元素都关联了一个索引，该索引可以用来访问各个值。重塑是指改变 Pandas 系列的形状或结构，以便以各种方式使用数据。
算法
使用不同方法重塑 Pandas 系列的一般算法如下所示 −
用一些数据创建一个 Pandas 系列。
使用 reshape() 方法将系列的形状更改为所需的形状。
使用 stack() 方法将系列从宽格式转换为长格式（如果需要）。
使用 melt() 方法将系列从宽格式转换为长格式（如果需要）。
使用 unstack() 方法将系列从长格式转换为宽格式（如果需要）。
使用 pivot() 方法将系列从长格式转换为宽格式（如果需要）。
如有需要，可以使用 T 属性来转置 series。
方法 1：使用 Transpose 属性
transpose 函数 (T) 可用于切换 series 的行和列。当我们需要以不同方式可视化数据时，此功能非常有用。
语法
在此，T 是一种属性，而不是方法，因此在使用它时不需要使用圆括号。此外，由于它是一种属性，而不是方法，因此不能接受任何参数。T 属性会返回一个新 DataFrame，其行和列已互换。
示例
在下例中，我们创建了一个 pandas series，然后使用 transpose 函数转置 pandas series，最后输出转置后的 series。
import pandas as pd # Create a Series s = pd.Series([1, 2, 3, 4]) # Transpose the Series s_transposed = s.T # Print the transposed Series print(s_transposed)
输出
0 1 1 2 2 3 3 4 dtype: int64
方法 2：使用 reshape 方法。
可以使用 reshape 方法来更改 series 的形状。此方法要求新形状与原始形状兼容。
语法
DataFrame.reshape(shape[, order])
在此，shape 参数指定数组的新维度，而可选的 order 参数指定数组元素的排列顺序。
示例
在下例中，使用 values.reshape() 方法重塑 pandas series。首先创建包含 1 到 9 的值的 series。然后，使用 values.reshape(3,3) 将 series 重塑为 3x3 大小的矩阵。
import pandas as pd import numpy as np # Create a Series s = pd.Series(np.arange(1, 10)) # Reshape the Series s_reshaped = s.values.reshape((3, 3)) # Print the reshaped Series print(s_reshaped)
输出
[[1 2 3] [4 5 6] [7 8 9]]
方法 3：使用 Melt 函数
可以使用 melt 函数解除 series 的透视。此函数会为原始 series 中的每个唯一值创建一个新数据帧，并为每个唯一值组合创建一个行。
语法
DataFrame.melt([id_vars, value_vars, ...], ...)
在此， id_vars 参数指定要用作标识符变量的列，value_vars 参数指定要取消透视的列，还可以使用其他参数自定义输出。
示例
在下例中，我们首先使用 reset_index 方法将 Series s 转换为 DataFrame，该方法会创建一个新的 'index' 列，其中包含原始 Series 索引值。然后我们在此 DataFrame 上使用 melt 函数，并将 'index' 指定为 id_vars 参数，并指定 '0'（包含原始 Series 值的列的名称）作为 value_vars 参数。
import pandas as pd
# Create a Series
s = pd.Series({'A': 1, 'B': 2, 'C': 3})
# Convert the Series to a DataFrame using reset_index()
df = s.reset_index()
# Melt the DataFrame
df_melted = pd.melt(df, id_vars='index', value_vars='0')
# Print the melted DataFrame
print(df_melted)
输出
index variable value 0 A 0 1 1 B 0 2 2 C 0 3
方法 4：使用 unstack() 方法
Pandas 中的 unstack() 方法用于将多级索引 Series 或 DataFrame 重塑为宽格式。此方法本质上是将多级索引的最内层级旋转为新 DataFrame 的列。unstack() 方法是 stack() 方法的逆方法。
语法
Series.unstack(level=-1, fill_value=None)
在此，level 参数指定要取消堆叠的索引层，而 fill_value 参数指定要填充缺失值的值。
示例
在下例中，我们首先创建一个具有两个索引层（“First”和“Second”）的多级索引 DataFrame df。然后我们对 DataFrame 使用
unstack() 方法，将最内层“Second”旋转为新 DataFrame 的列。生成的 DataFrame df_unstacked 具有列“A”和“B”，原始索引层“First”和“Second”保留为行标签。
import pandas as pd
# Create a multi-level index DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=pd.MultiIndex.from_tuples([('X', 'a'), ('X', 'b'), ('Y', 'c')], names=['First', 'Second']))
# Unstack the DataFrame
df_unstacked = df.unstack()
# Print the unstacked DataFrame
print(df_unstacked)
输出
A B Second a b c a b c First X 1.0 2.0 NaN 4.0 5.0 NaN Y NaN NaN 3.0 NaN NaN 6.0
方法 5：使用 pivot() 方法
Pandas 中的 pivot() 方法用于将 DataFrame 从长格式重塑为宽格式。此方法采用三个参数：index、columns 和 values。index 参数指定要用作结果 DataFrame 的行索引的列，columns 参数指定要用作结果 DataFrame 的列索引的列，values 参数指定要用作结果 DataFrame 的值。
语法
DataFrame.pivot([index, columns, values])
在此，index 参数指定要作为行索引的列，columns 参数指定要作为列索引的列，values 参数指定要作为数据值使用的列。
示例
在下例中，我们首先使用三列“Year”、“Quarter”和“Sales”创建一个长格式的 DataFrame df。然后，我们在 DataFrame 上使用 pivot() 方法，指定“Year”为 index 参数，“Quarter”为 columns 参数，“Sales”为 values 参数。结果 DataFrame df_pivoted 有两列“Q1”和“Q2”，其中“Year”为行索引。
import pandas as pd
# Create a long format DataFrame
df = pd.DataFrame({'Year': [2019, 2019, 2020, 2020], 'Quarter': ['Q1', 'Q2', 'Q1', 'Q2'], 'Sales': [100, 200, 150, 250]})
# Pivot the DataFrame
df_pivoted = df.pivot(index='Year', columns='Quarter', values='Sales')
# Print the pivoted DataFrame
print(df_pivoted)
输出
Quarter Q1 Q2 Year 2019 100 200 2020 150 250
结论
在本文中，我们讨论了如何使用 transpose、reshape 和 melt 函数等方法重塑 Pandas 系列。我们可以重塑 Pandas 系列，将数据转换为不同的格式，用于可视化、聚合或分组数据，以及将多个数据系列合并和组合到数据帧中。
2k+次浏览
