Bagaimana cara memutar kerangka data?

Question

• Apa itu pivot?
• Bagaimana cara saya melakukan pivot?
• Apakah ini poros?
• Format panjang ke format lebar?

Saya telah melihat banyak pertanyaan yang menanyakan tentang tabel pivot. Bahkan jika mereka tidak tahu bahwa mereka bertanya tentang tabel pivot, biasanya mereka bertanya. Hampir tidak mungkin untuk menulis pertanyaan dan jawaban kanonik yang mencakup semua aspek pivoting ...

... Tapi aku akan mencobanya.

---

Permasalahan dari pertanyaan dan jawaban yang ada adalah seringkali pertanyaan difokuskan pada nuansa yang sulit digeneralisasikan oleh OP untuk menggunakan sejumlah jawaban baik yang ada. Namun, tidak ada jawaban yang mencoba memberikan penjelasan yang komprehensif (karena itu tugas yang menakutkan)

Lihat beberapa contoh dari pencarian google saya

1. Bagaimana cara memutar bingkai data di Pandas?

• Pertanyaan dan jawaban yang bagus. Tetapi jawabannya hanya menjawab pertanyaan spesifik dengan sedikit penjelasan.

1. tabel pivot panda ke bingkai data

• Dalam pertanyaan ini, OP berkaitan dengan output dari pivot. Yaitu tampilan kolom. OP ingin terlihat seperti R. Ini tidak terlalu membantu bagi pengguna panda.

1. panda memutar bingkai data, baris duplikat

• Pertanyaan lain yang layak tetapi jawabannya berfokus pada satu metode, yaitu pd.DataFrame.pivot

Jadi, setiap kali seseorang menelusuri, pivotmereka mendapatkan hasil sporadis yang kemungkinan besar tidak akan menjawab pertanyaan spesifik mereka.

---

Mendirikan

Anda mungkin memperhatikan bahwa saya secara mencolok menamai kolom saya dan nilai kolom yang relevan agar sesuai dengan bagaimana saya akan berputar dalam jawaban di bawah ini.

import numpy as np
import pandas as pd
from numpy.core.defchararray import add

np.random.seed([3,1415])
n = 20

cols = np.array(['key', 'row', 'item', 'col'])
arr1 = (np.random.randint(5, size=(n, 4)) // [2, 1, 2, 1]).astype(str)

df = pd.DataFrame(
    add(cols, arr1), columns=cols
).join(
    pd.DataFrame(np.random.rand(n, 2).round(2)).add_prefix('val')
)
print(df)

     key   row   item   col  val0  val1
0   key0  row3  item1  col3  0.81  0.04
1   key1  row2  item1  col2  0.44  0.07
2   key1  row0  item1  col0  0.77  0.01
3   key0  row4  item0  col2  0.15  0.59
4   key1  row0  item2  col1  0.81  0.64
5   key1  row2  item2  col4  0.13  0.88
6   key2  row4  item1  col3  0.88  0.39
7   key1  row4  item1  col1  0.10  0.07
8   key1  row0  item2  col4  0.65  0.02
9   key1  row2  item0  col2  0.35  0.61
10  key2  row0  item2  col1  0.40  0.85
11  key2  row4  item1  col2  0.64  0.25
12  key0  row2  item2  col3  0.50  0.44
13  key0  row4  item1  col4  0.24  0.46
14  key1  row3  item2  col3  0.28  0.11
15  key0  row3  item1  col1  0.31  0.23
16  key0  row0  item2  col3  0.86  0.01
17  key0  row4  item0  col3  0.64  0.21
18  key2  row2  item2  col0  0.13  0.45
19  key0  row2  item0  col4  0.37  0.70

Pertanyaan

1. Mengapa saya mendapatkan ValueError: Index contains duplicate entries, cannot reshape

2. Bagaimana cara saya melakukan pivot dfsehingga colnilainya adalah kolom, rownilai adalah indeks, dan mean dari val0nilainya?

    col   col0   col1   col2   col3  col4
    row                                  
    row0  0.77  0.605    NaN  0.860  0.65
    row2  0.13    NaN  0.395  0.500  0.25
    row3   NaN  0.310    NaN  0.545   NaN
    row4   NaN  0.100  0.395  0.760  0.24
   

3. Bagaimana cara saya melakukan pivot dfsehingga colnilainya adalah kolom, rownilai adalah indeks, mean dari val0nilai, dan nilai yang hilang adalah 0?

    col   col0   col1   col2   col3  col4
    row                                  
    row0  0.77  0.605  0.000  0.860  0.65
    row2  0.13  0.000  0.395  0.500  0.25
    row3  0.00  0.310  0.000  0.545  0.00
    row4  0.00  0.100  0.395  0.760  0.24
   

4. Bisakah saya mendapatkan sesuatu selain mean, seperti mungkin sum?

    col   col0  col1  col2  col3  col4
    row                               
    row0  0.77  1.21  0.00  0.86  0.65
    row2  0.13  0.00  0.79  0.50  0.50
    row3  0.00  0.31  0.00  1.09  0.00
    row4  0.00  0.10  0.79  1.52  0.24
   

5. Dapatkah saya melakukan lebih dari satu agregasi pada satu waktu?

           sum                          mean                           
    col   col0  col1  col2  col3  col4  col0   col1   col2   col3  col4
    row                                                                
    row0  0.77  1.21  0.00  0.86  0.65  0.77  0.605  0.000  0.860  0.65
    row2  0.13  0.00  0.79  0.50  0.50  0.13  0.000  0.395  0.500  0.25
    row3  0.00  0.31  0.00  1.09  0.00  0.00  0.310  0.000  0.545  0.00
    row4  0.00  0.10  0.79  1.52  0.24  0.00  0.100  0.395  0.760  0.24
   

6. Dapatkah saya menggabungkan lebih dari beberapa kolom nilai?

          val0                             val1                          
    col   col0   col1   col2   col3  col4  col0   col1  col2   col3  col4
    row                                                                  
    row0  0.77  0.605  0.000  0.860  0.65  0.01  0.745  0.00  0.010  0.02
    row2  0.13  0.000  0.395  0.500  0.25  0.45  0.000  0.34  0.440  0.79
    row3  0.00  0.310  0.000  0.545  0.00  0.00  0.230  0.00  0.075  0.00
    row4  0.00  0.100  0.395  0.760  0.24  0.00  0.070  0.42  0.300  0.46
   

7. Bisakah Membagi dengan beberapa kolom?

    item item0             item1                         item2                   
    col   col2  col3  col4  col0  col1  col2  col3  col4  col0   col1  col3  col4
    row                                                                          
    row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.605  0.86  0.65
    row2  0.35  0.00  0.37  0.00  0.00  0.44  0.00  0.00  0.13  0.000  0.50  0.13
    row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.000  0.28  0.00
    row4  0.15  0.64  0.00  0.00  0.10  0.64  0.88  0.24  0.00  0.000  0.00  0.00
   

8. Atau

    item      item0             item1                         item2                  
    col        col2  col3  col4  col0  col1  col2  col3  col4  col0  col1  col3  col4
    key  row                                                                         
    key0 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.86  0.00
         row2  0.00  0.00  0.37  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.50  0.00
         row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.00  0.00  0.00
         row4  0.15  0.64  0.00  0.00  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00
    key1 row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.81  0.00  0.65
         row2  0.35  0.00  0.00  0.00  0.00  0.44  0.00  0.00  0.00  0.00  0.00  0.13
         row3  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.28  0.00
         row4  0.00  0.00  0.00  0.00  0.10  0.00  0.00  0.00  0.00  0.00  0.00  0.00
    key2 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.40  0.00  0.00
         row2  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.13  0.00  0.00  0.00
         row4  0.00  0.00  0.00  0.00  0.00  0.64  0.88  0.00  0.00  0.00  0.00  0.00
   

9. Dapatkah saya menggabungkan frekuensi di mana kolom dan baris muncul bersamaan, alias "tabulasi silang"?

    col   col0  col1  col2  col3  col4
    row                               
    row0     1     2     0     1     1
    row2     1     0     2     1     2
    row3     0     1     0     2     0
    row4     0     1     2     2     1
   

10. Bagaimana cara mengonversi DataFrame dari panjang ke lebar dengan berputar HANYA pada dua kolom? Diberikan,

    np.random.seed([3, 1415])
    df2 = pd.DataFrame({'A': list('aaaabbbc'), 'B': np.random.choice(15, 8)})        
    df2        
       A   B
    0  a   0
    1  a  11
    2  a   2
    3  a  11
    4  b  10
    5  b  10
    6  b  14
    7  c   7
    

    Yang diharapkan akan terlihat seperti ini

          a     b    c
    0   0.0  10.0  7.0
    1  11.0  10.0  NaN
    2   2.0  14.0  NaN
    3  11.0   NaN  NaN
    

11. Bagaimana cara meratakan beberapa indeks ke indeks tunggal setelahnya pivot

    Dari

       1  2   
       1  1  2        
    a  2  1  1
    b  2  1  0
    c  1  0  0
    

    Untuk

       1|1  2|1  2|2               
    a    2    1    1
    b    2    1    0
    c    1    0    0
    

Answer 1

Kami mulai dengan menjawab pertanyaan pertama:

pertanyaan 1

Mengapa saya mendapatkan ValueError: Index contains duplicate entries, cannot reshape

Ini terjadi karena panda mencoba mengindeks ulang salah satu objek columnsatau indexdengan entri duplikat. Ada berbagai metode untuk digunakan yang dapat melakukan pivot. Beberapa di antaranya tidak cocok jika ada duplikat kunci yang diminta untuk melakukan pivot. Sebagai contoh. Pertimbangkan pd.DataFrame.pivot. Saya tahu ada entri duplikat yang berbagi nilai rowdan col:

df.duplicated(['row', 'col']).any()

True

Jadi saat saya pivotmenggunakan

df.pivot(index='row', columns='col', values='val0')

Saya mendapatkan kesalahan yang disebutkan di atas. Faktanya, saya mendapatkan kesalahan yang sama ketika saya mencoba melakukan tugas yang sama dengan:

df.set_index(['row', 'col'])['val0'].unstack()

Berikut adalah daftar idiom yang dapat kita gunakan untuk melakukan pivot

1. pd.DataFrame.groupby + pd.DataFrame.unstack
   • Pendekatan umum yang baik untuk melakukan hampir semua jenis pivot
   • Anda menentukan semua kolom yang akan membentuk tingkat baris yang diputar dan tingkat kolom dalam satu grup dengan. Anda mengikuti itu dengan memilih kolom yang tersisa yang ingin Anda agregat dan fungsi yang Anda inginkan untuk melakukan agregasi. Akhirnya, Anda unstacktingkat yang Anda inginkan dalam indeks kolom.
2. pd.DataFrame.pivot_table
   • Versi yang dimuliakan groupbydengan API yang lebih intuitif. Bagi banyak orang, ini adalah pendekatan yang disukai. Dan merupakan pendekatan yang dimaksudkan oleh pengembang.
   • Tentukan level baris, level kolom, nilai yang akan digabungkan, dan fungsi untuk melakukan agregasi.
3. pd.DataFrame.set_index + pd.DataFrame.unstack
   • Nyaman dan intuitif bagi sebagian orang (termasuk saya). Tidak dapat menangani kunci yang dikelompokkan duplikat.
   • Mirip dengan groupbyparadigma, kami menetapkan semua kolom yang pada akhirnya akan menjadi tingkat baris atau kolom dan menyetelnya menjadi indeks. Kami kemudian unstacktingkat yang kami inginkan di kolom. Jika level indeks yang tersisa atau level kolom tidak unik, metode ini akan gagal.
4. pd.DataFrame.pivot
   • Sangat mirip dengan set_indexyang berbagi batasan kunci duplikat. API juga sangat terbatas. Hanya membutuhkan nilai-nilai skalar untuk index, columns, values.
   • Mirip dengan pivot_tablemetode di mana kami memilih baris, kolom, dan nilai untuk pivot. Namun, kami tidak dapat menggabungkan dan jika salah satu baris atau kolom tidak unik, metode ini akan gagal.
5. pd.crosstab
   • Ini adalah versi khusus dari pivot_tabledan dalam bentuknya yang paling murni adalah cara paling intuitif untuk melakukan beberapa tugas.
6. pd.factorize + np.bincount
   • Ini adalah teknik yang sangat maju yang sangat tidak jelas tetapi sangat cepat. Ini tidak dapat digunakan dalam semua keadaan, tetapi jika dapat digunakan dan Anda merasa nyaman menggunakannya, Anda akan menuai hasil kinerja.
7. pd.get_dummies + pd.DataFrame.dot
   • Saya menggunakan ini untuk melakukan tabulasi silang dengan cerdik.

---

Contoh

Apa yang akan saya lakukan untuk setiap jawaban dan pertanyaan berikutnya adalah menjawabnya dengan menggunakan pd.DataFrame.pivot_table. Kemudian saya akan memberikan alternatif untuk melakukan tugas yang sama.

Pertanyaan 3

Bagaimana cara saya melakukan pivot dfsehingga colnilainya adalah kolom, rownilai adalah indeks, mean dari val0nilai, dan nilai yang hilang adalah 0?

• pd.DataFrame.pivot_table

  • fill_valuetidak disetel secara default. Saya cenderung mengaturnya dengan tepat. Dalam hal ini saya setel ke 0. Perhatikan bahwa saya melewatkan pertanyaan 2 karena sama dengan jawaban ini tanpafill_value

  • aggfunc='mean'adalah default dan saya tidak perlu menyetelnya. Saya memasukkannya untuk menjadi eksplisit.

    df.pivot_table(
        values='val0', index='row', columns='col',
        fill_value=0, aggfunc='mean')
    
    col   col0   col1   col2   col3  col4
    row                                  
    row0  0.77  0.605  0.000  0.860  0.65
    row2  0.13  0.000  0.395  0.500  0.25
    row3  0.00  0.310  0.000  0.545  0.00
    row4  0.00  0.100  0.395  0.760  0.24
    

• pd.DataFrame.groupby

  df.groupby(['row', 'col'])['val0'].mean().unstack(fill_value=0)
  

• pd.crosstab

  pd.crosstab(
      index=df['row'], columns=df['col'],
      values=df['val0'], aggfunc='mean').fillna(0)
  

---

Pertanyaan 4

Bisakah saya mendapatkan sesuatu selain mean, seperti mungkin sum?

• pd.DataFrame.pivot_table

  df.pivot_table(
      values='val0', index='row', columns='col',
      fill_value=0, aggfunc='sum')
  
  col   col0  col1  col2  col3  col4
  row                               
  row0  0.77  1.21  0.00  0.86  0.65
  row2  0.13  0.00  0.79  0.50  0.50
  row3  0.00  0.31  0.00  1.09  0.00
  row4  0.00  0.10  0.79  1.52  0.24
  

• pd.DataFrame.groupby

  df.groupby(['row', 'col'])['val0'].sum().unstack(fill_value=0)
  

• pd.crosstab

  pd.crosstab(
      index=df['row'], columns=df['col'],
      values=df['val0'], aggfunc='sum').fillna(0)
  

---

Pertanyaan 5

Dapatkah saya melakukan lebih dari satu agregasi pada satu waktu?

Perhatikan bahwa for pivot_tabledan crosstabsaya harus meneruskan daftar callable. Di sisi lain, groupby.aggdapat mengambil string untuk sejumlah fungsi khusus. groupby.aggjuga akan mengambil callable yang sama yang kami berikan kepada yang lain, tetapi seringkali lebih efisien untuk memanfaatkan nama fungsi string karena ada efisiensi yang bisa diperoleh.

• pd.DataFrame.pivot_table

  df.pivot_table(
      values='val0', index='row', columns='col',
      fill_value=0, aggfunc=[np.size, np.mean])
  
       size                      mean                           
  col  col0 col1 col2 col3 col4  col0   col1   col2   col3  col4
  row                                                           
  row0    1    2    0    1    1  0.77  0.605  0.000  0.860  0.65
  row2    1    0    2    1    2  0.13  0.000  0.395  0.500  0.25
  row3    0    1    0    2    0  0.00  0.310  0.000  0.545  0.00
  row4    0    1    2    2    1  0.00  0.100  0.395  0.760  0.24
  

• pd.DataFrame.groupby

  df.groupby(['row', 'col'])['val0'].agg(['size', 'mean']).unstack(fill_value=0)
  

• pd.crosstab

  pd.crosstab(
      index=df['row'], columns=df['col'],
      values=df['val0'], aggfunc=[np.size, np.mean]).fillna(0, downcast='infer')
  

---

Pertanyaan 6

Dapatkah saya menggabungkan lebih dari beberapa kolom nilai?

• pd.DataFrame.pivot_tablekita lulus values=['val0', 'val1']tapi kita bisa meninggalkannya sepenuhnya

  df.pivot_table(
      values=['val0', 'val1'], index='row', columns='col',
      fill_value=0, aggfunc='mean')
  
        val0                             val1                          
  col   col0   col1   col2   col3  col4  col0   col1  col2   col3  col4
  row                                                                  
  row0  0.77  0.605  0.000  0.860  0.65  0.01  0.745  0.00  0.010  0.02
  row2  0.13  0.000  0.395  0.500  0.25  0.45  0.000  0.34  0.440  0.79
  row3  0.00  0.310  0.000  0.545  0.00  0.00  0.230  0.00  0.075  0.00
  row4  0.00  0.100  0.395  0.760  0.24  0.00  0.070  0.42  0.300  0.46
  

• pd.DataFrame.groupby

  df.groupby(['row', 'col'])['val0', 'val1'].mean().unstack(fill_value=0)
  

---

Pertanyaan 7

Bisakah Membagi dengan beberapa kolom?

• pd.DataFrame.pivot_table

  df.pivot_table(
      values='val0', index='row', columns=['item', 'col'],
      fill_value=0, aggfunc='mean')
  
  item item0             item1                         item2                   
  col   col2  col3  col4  col0  col1  col2  col3  col4  col0   col1  col3  col4
  row                                                                          
  row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.605  0.86  0.65
  row2  0.35  0.00  0.37  0.00  0.00  0.44  0.00  0.00  0.13  0.000  0.50  0.13
  row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.000  0.28  0.00
  row4  0.15  0.64  0.00  0.00  0.10  0.64  0.88  0.24  0.00  0.000  0.00  0.00
  

• pd.DataFrame.groupby

  df.groupby(
      ['row', 'item', 'col']
  )['val0'].mean().unstack(['item', 'col']).fillna(0).sort_index(1)
  

---

Pertanyaan 8

Bisakah Membagi dengan beberapa kolom?

• pd.DataFrame.pivot_table

  df.pivot_table(
      values='val0', index=['key', 'row'], columns=['item', 'col'],
      fill_value=0, aggfunc='mean')
  
  item      item0             item1                         item2                  
  col        col2  col3  col4  col0  col1  col2  col3  col4  col0  col1  col3  col4
  key  row                                                                         
  key0 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.86  0.00
       row2  0.00  0.00  0.37  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.50  0.00
       row3  0.00  0.00  0.00  0.00  0.31  0.00  0.81  0.00  0.00  0.00  0.00  0.00
       row4  0.15  0.64  0.00  0.00  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00
  key1 row0  0.00  0.00  0.00  0.77  0.00  0.00  0.00  0.00  0.00  0.81  0.00  0.65
       row2  0.35  0.00  0.00  0.00  0.00  0.44  0.00  0.00  0.00  0.00  0.00  0.13
       row3  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.28  0.00
       row4  0.00  0.00  0.00  0.00  0.10  0.00  0.00  0.00  0.00  0.00  0.00  0.00
  key2 row0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.40  0.00  0.00
       row2  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.13  0.00  0.00  0.00
       row4  0.00  0.00  0.00  0.00  0.00  0.64  0.88  0.00  0.00  0.00  0.00  0.00
  

• pd.DataFrame.groupby

  df.groupby(
      ['key', 'row', 'item', 'col']
  )['val0'].mean().unstack(['item', 'col']).fillna(0).sort_index(1)
  

• pd.DataFrame.set_index karena kumpulan kunci unik untuk baris dan kolom

  df.set_index(
      ['key', 'row', 'item', 'col']
  )['val0'].unstack(['item', 'col']).fillna(0).sort_index(1)
  

---

Pertanyaan 9

Dapatkah saya menggabungkan frekuensi di mana kolom dan baris muncul bersamaan, alias "tabulasi silang"?

• pd.DataFrame.pivot_table

  df.pivot_table(index='row', columns='col', fill_value=0, aggfunc='size')
  
      col   col0  col1  col2  col3  col4
  row                               
  row0     1     2     0     1     1
  row2     1     0     2     1     2
  row3     0     1     0     2     0
  row4     0     1     2     2     1
  

• pd.DataFrame.groupby

  df.groupby(['row', 'col'])['val0'].size().unstack(fill_value=0)
  

• pd.crosstab

  pd.crosstab(df['row'], df['col'])
  

• pd.factorize + np.bincount

  # get integer factorization `i` and unique values `r`
  # for column `'row'`
  i, r = pd.factorize(df['row'].values)
  # get integer factorization `j` and unique values `c`
  # for column `'col'`
  j, c = pd.factorize(df['col'].values)
  # `n` will be the number of rows
  # `m` will be the number of columns
  n, m = r.size, c.size
  # `i * m + j` is a clever way of counting the 
  # factorization bins assuming a flat array of length
  # `n * m`.  Which is why we subsequently reshape as `(n, m)`
  b = np.bincount(i * m + j, minlength=n * m).reshape(n, m)
  # BTW, whenever I read this, I think 'Bean, Rice, and Cheese'
  pd.DataFrame(b, r, c)
  
        col3  col2  col0  col1  col4
  row3     2     0     0     1     0
  row2     1     2     1     0     2
  row0     1     0     1     2     1
  row4     2     2     0     1     1
  

• pd.get_dummies

  pd.get_dummies(df['row']).T.dot(pd.get_dummies(df['col']))
  
        col0  col1  col2  col3  col4
  row0     1     2     0     1     1
  row2     1     0     2     1     2
  row3     0     1     0     2     0
  row4     0     1     2     2     1
  

---

Pertanyaan 10

Bagaimana cara mengonversi DataFrame dari panjang ke lebar dengan berputar HANYA pada dua kolom?

Langkah pertama adalah menetapkan nomor ke setiap baris - nomor ini akan menjadi indeks baris dari nilai tersebut dalam hasil pivot. Ini dilakukan dengan menggunakan GroupBy.cumcount:

df2.insert(0, 'count', df.groupby('A').cumcount())
df2

   count  A   B
0      0  a   0
1      1  a  11
2      2  a   2
3      3  a  11
4      0  b  10
5      1  b  10
6      2  b  14
7      0  c   7

Langkah kedua adalah menggunakan kolom yang baru dibuat sebagai indeks untuk dipanggil DataFrame.pivot.

df2.pivot(*df)
# df.pivot(index='count', columns='A', values='B')

A         a     b    c
count                 
0       0.0  10.0  7.0
1      11.0  10.0  NaN
2       2.0  14.0  NaN
3      11.0   NaN  NaN

---

Pertanyaan 11

Bagaimana cara meratakan beberapa indeks ke indeks tunggal setelahnya pivot

Jika columnsmengetik objectdengan stringjoin

df.columns = df.columns.map('|'.join)

lain format

df.columns = df.columns.map('{0[0]}|{0[1]}'.format) 

Answer 2

Untuk memperluas jawaban @ piRSquared versi lain dari Pertanyaan 10

Pertanyaan 10.1

DataFrame:

d = data = {'A': {0: 1, 1: 1, 2: 1, 3: 2, 4: 2, 5: 3, 6: 5},
 'B': {0: 'a', 1: 'b', 2: 'c', 3: 'a', 4: 'b', 5: 'a', 6: 'c'}}
df = pd.DataFrame(d)

   A  B
0  1  a
1  1  b
2  1  c
3  2  a
4  2  b
5  3  a
6  5  c

Keluaran:

   0     1     2
A
1  a     b     c
2  a     b  None
3  a  None  None
5  c  None  None

---

Menggunakan df.groupbydanpd.Series.tolist

t = df.groupby('A')['B'].apply(list)
out = pd.DataFrame(t.tolist(),index=t.index)
out
   0     1     2
A
1  a     b     c
2  a     b  None
3  a  None  None
5  c  None  None

Atau alternatif yang jauh lebih baik menggunakan pd.pivot_tabledengandf.squeeze.

t = df.pivot_table(index='A',values='B',aggfunc=list).squeeze()
out = pd.DataFrame(t.tolist(),index=t.index)