pandas重塑层次化索引(stack()和unstack()函数解析)

在数据处理的过程中, 有时候需要对数据的结构进行重新排列, 这种情况也常被称为重塑()或者叫作轴向旋转(Pivot)。如果运用层次化的索引来操作的话, 能够为 的数据重排提供一个很好的、一致的支撑方式。

在 这个环境里, 有两个特定的函数是用来具体实现数据功能的, 其中一个是叫作stack()的函数, 而另一个则是()函数。

一般所说的数据层次化结构存在两种常见的类型, 第一类就是表格, 这个在图 1 里面可以看到, 第二类则是花括号, 具体内容可以参考图 2。

如图所示, 也就是图1所展示出来的表格结构。

图2展示了这种采用花括号形式的组合结构样式。

这个表格在行的方向以及列的方向上面, 都拥有相应的索引系统, 这情况就跟那种具有多层维度的数据结构很像;然而, 花括号这种结构, 仅仅只在"列的方向"上存在索引功能, 这就类似于那种分层级的数据呈现方式,整个结构的构成特点更加倾向于按照堆叠的模式来进行组织, 也就是通常会关联到一个叫做堆叠的操作过程。

将使用stack()这个函数, 把数据从一个表格的结构转换成为类似花括号那种结构的情况存在, 也就是把行索引转换为列索引, 相反的则进行反向操作。

该函数用于把数据由花括号形式转换为表格样式, 也就是说要把那一层的列索引位置改成行索引位置。

stack() 函数

关于stack()函数, 它的具体语法格式可以这样来看。

brush:html;gutter:true; 复制代码
DataFrame.stack(level=-1,dropna=True)

函数里面的参数是怎么回事, 说明情况是下面这一些:

这个函数的返回结果可能是空的, 或者根本就没有任何返回值呈现出来。

() 函数

()函数的语法格式如下所示。

设置level等于负一, 并使得对应的参数为None。

设置level等于负一, 并使得对应的参数为None。

函数里面的参数是怎么回事, 说明情况是下面这一些:

这个函数的返回结果可能是空的, 或者根本就没有任何返回值呈现出来。

以下是关于使用 stack()、() 这两个函数, 以 .py 文件呈现的示例代码。

复制代码
import numpy as np

import pandas as pd

#创建DataFrame

data = pd.DataFrame(np.arange(4).reshape((2, 2)),

index=pd.Index('row1', 'row2', name='rows'),

columns=pd.Index('one', 'two', name='cols'))

print(data)

cols one two

rows

row1 0 1

row2 2 3

#使用stack()函数改变data层次化结构

result = data.stack()

print('data改变成"花括号"结构','\n',result)

data改变成"花括号"结构

rows cols

row1 one 0

two 1

row2 one 2

two 3

print('恢复到原来结构','\n',result.unstack())

恢复到原来结构

cols one two

rows

row1 0 1

row2 2 3

print(result.unstack(0))

rows row1 row2

cols

one 0 2

two 1 3

print(result.unstack('rows'))

#创建Series

s1 = pd.Series(0, 1, 2, 3, index='a', 'b', 'c', 'd')

s2 = pd.Series(4, 5, 6, index='c', 'd', 'e')

data2 = pd.concat(s1, s2, keys='one', 'two')

print(data2)

print('将data2改变成表格结构','\n',data2.unstack())

#使用stack()函数改变成"花括号"结构,并删除缺失值行

print(data2.unstack().stack())

#使用stack()函数改变成"花括号"结构,不删除缺失值行

print(data2.unstack().stack(dropna=False))

#用字典创建DataFrame

df = pd.DataFrame({'left': result, 'right': result + 3},

columns=pd.Index('left', 'right', name='side'))

print(df)

#使用unstack()、stack()函数

print(df.unstack('rows'))

print(df.unstack('rows').stack('side'))

相关推荐
郝学胜-神的一滴1 天前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
弈栈录1 天前
时间序列分析:按日、周、月进行趋势统计
数据分析·pandas
linweidong4 天前
RTX 4090 Ubuntu + ComfyUI + comfy-kitchen 0.2.41 完整部署文档
机器学习·云原生·conda·pandas·scikit-learn
benchmark_cc5 天前
个人开发者接入五档盘口:用 QuantDash 读取单只股票的验收清单与易错点
python·数据分析·pandas·量化交易·股票数据·quantdash
benchmark_cc9 天前
用 QuantDash 读取单只股票五档盘口:抽样、缺失值检查与复现记录
python·数据分析·pandas·量化交易·股票数据·quantdash
benchmark_cc12 天前
单只股票五档盘口接入个人研究仓库:QuantDash 读取、校验与易错点
python·数据分析·pandas·量化交易·股票数据·quantdash
benchmark_cc13 天前
用 QuantDash 读取美股行情:AAPL.US 的运行前检查、排错顺序与数据校验清单
python·数据分析·pandas·量化交易·股票数据·quantdash
databook15 天前
经常听到的透视表是干什么的?
python·数据分析·pandas
benchmark_cc17 天前
A 股、港股、美股如何建立统一的标的主数据格式?
开发语言·python·数据分析·pandas·量化交易·股票数据·quantdash