Jak obrócić ramkę danych?

Question

• Co to jest Pivot?
• Jak się obracać?
• Czy to jest osie?
• Od długiego do szerokiego formatu?

Widziałem wiele pytań dotyczących tabel przestawnych. Nawet jeśli nie wiedzą, że pytają o tabele przestawne, zwykle tak jest. Praktycznie niemożliwe jest napisanie kanonicznego pytania i odpowiedzi, które obejmowałyby wszystkie aspekty obracania ...

... Ale spróbuję.

---

Problem z istniejącymi pytaniami i odpowiedziami polega na tym, że często pytanie koncentruje się na niuansie, który PO ma problem z uogólnieniem w celu wykorzystania wielu istniejących dobrych odpowiedzi. Jednak żadna z odpowiedzi nie jest próbą wyczerpującego wyjaśnienia (ponieważ jest to trudne zadanie)

Spójrz na kilka przykładów z mojej wyszukiwarki Google

1. Jak obrócić ramkę danych w Pandas?

• Dobre pytanie i odpowiedź. Ale odpowiedź odpowiada tylko na konkretne pytanie bez wyjaśnienia.

1. tabela przestawna pandy do ramki danych

• W tym pytaniu PO dotyczy wyników pivotu. Mianowicie, jak wyglądają kolumny. OP chciał, żeby wyglądał jak R. Nie jest to zbyt pomocne dla użytkowników pand.

1. pandy obracające ramkę danych, zduplikowane wiersze

• Kolejne przyzwoite pytanie, ale odpowiedź skupia się na jednej metodzie, a mianowicie pd.DataFrame.pivot

pivotKiedy więc ktoś wyszukuje , otrzymuje sporadyczne wyniki, które prawdopodobnie nie odpowiedzą na jego konkretne pytanie.

---

Ustawiać

Możesz zauważyć, że wyraźnie nazwałam swoje kolumny i odpowiednie wartości kolumn, aby odpowiadały temu, jak zamierzam przestawić się w odpowiedziach poniżej.

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

Pytania)

1. Dlaczego dostaję ValueError: Index contains duplicate entries, cannot reshape

2. Jak przestawić dftak, aby colwartości były kolumnami, rowwartościami indeksami, a średnią val0wartościami?

    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. Jak przestawić dftak, aby colwartości były kolumnami, rowwartościami były indeks, średnie val0wartości i brakujące wartości 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. Czy mogę dostać coś innego niż meanmoże 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. Czy mogę zrobić więcej niż jedną agregację naraz?

           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. Czy mogę agregować w wielu kolumnach wartości?

          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. Czy można podzielić przez wiele kolumn?

    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. Lub

    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. Czy mogę zagregować częstotliwość, z jaką kolumna i wiersze występują razem, czyli „krzyżowe zestawianie”?

    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. Jak przekonwertować ramkę DataFrame z długiej na szeroką, obracając TYLKO dwie kolumny? Dany,

    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
    

    Oczekiwany powinien wyglądać mniej więcej tak

          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. Jak spłaszczyć wiele indeksów do jednego indeksu po pivot

    Z

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

    Do

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

Answer 1

Rozpoczynamy od odpowiedzi na pierwsze pytanie:

Pytanie 1

Dlaczego dostaję ValueError: Index contains duplicate entries, cannot reshape

Dzieje się tak, ponieważ pandy próbują ponownie zindeksować obiekt columnslub indexze zduplikowanymi wpisami. Istnieją różne metody, których można użyć, aby wykonać zwrot. Niektóre z nich nie nadają się dobrze, gdy istnieją duplikaty kluczy, w których ma się obracać. Na przykład. Rozważ pd.DataFrame.pivot. Wiem, że istnieją zduplikowane wpisy, które mają wspólne wartości rowi col:

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

True

Więc kiedy pivotużywam

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

Pojawia się błąd wspomniany powyżej. W rzeczywistości pojawia się ten sam błąd, gdy próbuję wykonać to samo zadanie z:

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

Oto lista idiomów, których możemy użyć do zmiany

1. pd.DataFrame.groupby + pd.DataFrame.unstack
   • Dobre ogólne podejście do wykonywania prawie każdego rodzaju obrotu
   • Należy określić wszystkie kolumny, które będą stanowić przestawione poziomy wierszy i poziomy kolumn w jednej grupie według. Postępujesz zgodnie z tym, wybierając pozostałe kolumny, które chcesz agregować, i funkcje, które chcesz wykonać agregację. Wreszcie unstackpoziomy, które chcesz znaleźć w indeksie kolumny.
2. pd.DataFrame.pivot_table
   • Ulepszona wersja groupbyz bardziej intuicyjnym interfejsem API. Dla wielu osób jest to preferowane podejście. I jest to zamierzone podejście twórców.
   • Określ poziom wiersza, poziomy kolumn, wartości do agregacji i funkcje do wykonywania agregacji.
3. pd.DataFrame.set_index + pd.DataFrame.unstack
   • Wygodny i intuicyjny dla niektórych (łącznie ze mną). Nie można obsłużyć zduplikowanych kluczy zgrupowanych.
   • Podobnie jak w przypadku groupbyparadygmatu, określamy wszystkie kolumny, które ostatecznie będą miały poziom wierszy lub kolumn, i ustawiamy je jako indeks. Następnie unstackmamy poziomy, które chcemy w kolumnach. Jeśli pozostałe poziomy indeksu lub poziomy kolumn nie są unikatowe, ta metoda zakończy się niepowodzeniem.
4. pd.DataFrame.pivot
   • Bardzo podobny do set_indextego, że ma wspólne ograniczenie dotyczące duplikatów klucza. API jest również bardzo ograniczone. To trwa tylko wartości skalarne dla index, columns, values.
   • Podobnie jak w przypadku pivot_tablemetody, w której wybieramy wiersze, kolumny i wartości, na których ma się obracać. Nie możemy jednak agregować i jeśli wiersze lub kolumny nie są unikalne, ta metoda zakończy się niepowodzeniem.
5. pd.crosstab
   • To wyspecjalizowana wersja pivot_tablei w najczystszej formie jest najbardziej intuicyjnym sposobem wykonywania kilku zadań.
6. pd.factorize + np.bincount
   • Jest to bardzo zaawansowana technika, bardzo mało znana, ale bardzo szybka. Nie można go używać w każdych okolicznościach, ale jeśli będzie można go używać i będzie Ci wygodnie z niego korzystać, otrzymasz nagrody za wydajność.
7. pd.get_dummies + pd.DataFrame.dot
   • Używam tego do sprytnych zestawień krzyżowych.

---

Przykłady

Dla każdej kolejnej odpowiedzi i pytania zamierzam odpowiedzieć za pomocą pd.DataFrame.pivot_table. Następnie przedstawię alternatywy do wykonania tego samego zadania.

pytanie 3

Jak przestawić dftak, aby colwartości były kolumnami, rowwartościami były indeks, średnie val0wartości i brakujące wartości 0?

• pd.DataFrame.pivot_table

  • fill_valuenie jest ustawiony domyślnie. Zwykle ustawiam to odpowiednio. W tym przypadku ustawiłem na 0. Zauważ, że pominąłem pytanie 2, ponieważ jest takie samo jak ta odpowiedź bezfill_value

  • aggfunc='mean'jest ustawieniem domyślnym i nie musiałem go ustawiać. Załączam to, aby było jasne.

    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)
  

---

Pytanie 4

Czy mogę dostać coś innego niż meanmoże 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)
  

---

Pytanie 5

Czy mogę zrobić więcej niż jedną agregację naraz?

Zauważ, że dla pivot_tablei crosstabmusiałem przekazać listę wywołań. Z drugiej strony groupby.aggmoże przyjmować ciągi znaków dla ograniczonej liczby funkcji specjalnych. groupby.aggwziąłby również te same wywołania, które przekazaliśmy innym, ale często bardziej efektywne jest wykorzystanie nazw funkcji łańcuchowych, ponieważ istnieją wydajności do uzyskania.

• 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')
  

---

Pytanie 6

Czy mogę agregować w wielu kolumnach wartości?

• pd.DataFrame.pivot_tablezdajemy, values=['val0', 'val1']ale mogliśmy to całkowicie pominąć

  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)
  

---

Pytanie 7

Czy można podzielić przez wiele kolumn?

• 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)
  

---

Pytanie 8

Czy można podzielić przez wiele kolumn?

• 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 ponieważ zestaw kluczy jest unikalny dla wierszy i kolumn

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

---

Pytanie 9

Czy mogę zagregować częstotliwość, z jaką kolumna i wiersze występują razem, czyli „krzyżowe zestawianie”?

• 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
  

---

Pytanie 10

Jak przekonwertować ramkę DataFrame z długiej na szeroką, obracając TYLKO dwie kolumny?

Pierwszym krokiem jest przypisanie liczby do każdego wiersza - ta liczba będzie indeksem wiersza o tej wartości w przestawionym wyniku. Odbywa się to za pomocą 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

Drugim krokiem jest użycie nowo utworzonej kolumny jako indeksu do wywołania 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

---

Pytanie 11

Jak spłaszczyć wiele indeksów do jednego indeksu po pivot

Jeśli columnswpisz objectciągjoin

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

jeszcze format

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

Answer 2

Aby rozszerzyć odpowiedź @ piRSquared o kolejną wersję pytania 10

Pytanie 10.1

Ramka danych:

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

Wynik:

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

---

Korzystanie df.groupbyipd.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

Lub znacznie lepsza alternatywa używania pd.pivot_tablezdf.squeeze.

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