Làm thế nào để xoay một khung dữ liệu?

Question

• Pivot là gì?
• Làm cách nào để xoay vòng?
• Đây có phải là một trục?
• Định dạng dài đến định dạng rộng?

Tôi đã thấy rất nhiều câu hỏi hỏi về bảng tổng hợp. Ngay cả khi họ không biết rằng họ đang hỏi về bảng tổng hợp, họ vẫn thường như vậy. Hầu như không thể viết một câu hỏi và câu trả lời chính tắc bao gồm tất cả các khía cạnh của xoay ...

... Nhưng tôi sẽ thử.

---

Vấn đề với các câu hỏi và câu trả lời hiện có là câu hỏi thường tập trung vào một sắc thái mà OP gặp khó khăn khi khái quát hóa để sử dụng một số câu trả lời tốt hiện có. Tuy nhiên, không có câu trả lời nào cố gắng đưa ra lời giải thích toàn diện (vì đó là một nhiệm vụ khó khăn)

Xem một vài ví dụ từ tìm kiếm trên google của tôi

1. Làm cách nào để xoay khung dữ liệu trong Pandas?

• Câu hỏi và câu trả lời hay. Nhưng câu trả lời chỉ trả lời câu hỏi cụ thể với ít lời giải thích.

1. pandas pivot table to data frame

• Trong câu hỏi này, OP quan tâm đến sản lượng của trục. Cụ thể là cách các cột trông như thế nào. OP muốn nó trông giống như R. Điều này không hữu ích lắm cho người dùng gấu trúc.

1. gấu trúc xoay quanh khung dữ liệu, các hàng trùng lặp

• Một câu hỏi hay khác nhưng câu trả lời tập trung vào một phương pháp, cụ thể là pd.DataFrame.pivot

Vì vậy, bất cứ khi nào ai đó tìm kiếm, pivothọ sẽ nhận được các kết quả lẻ tẻ có khả năng không trả lời câu hỏi cụ thể của họ.

---

Thiết lập

Bạn có thể nhận thấy rằng tôi đã đặt tên rõ ràng cho các cột của mình và các giá trị cột có liên quan để tương ứng với cách tôi xoay vòng trong các câu trả lời bên dưới.

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

Câu hỏi

1. Tại sao tôi nhận được ValueError: Index contains duplicate entries, cannot reshape

2. Làm cách nào để xoay vòng dfsao cho colgiá trị là cột, rowgiá trị là chỉ mục và val0giá trị trung bình là giá trị?

    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. Làm cách nào để xoay vòng dfsao cho các colgiá trị là cột, rowgiá trị là chỉ số, val0giá trị trung bình là giá trị và giá trị bị thiếu là 0gì?

    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. Tôi có thể lấy thứ gì đó khác hơn mean, như có thể sumkhông?

    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. Tôi có thể làm nhiều hơn một tập hợp cùng một lúc không?

           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. Tôi có thể tổng hợp trên nhiều cột giá trị không?

          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. Có thể Chia nhỏ cho nhiều cột không?

    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. Hoặc là

    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. Tôi có thể tổng hợp tần suất mà cột và hàng xuất hiện cùng nhau, hay còn gọi là "lập bảng chéo" không?

    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. Làm cách nào để chuyển đổi DataFrame từ dài sang rộng bằng cách xoay vòng CHỈ trên hai cột? Được,

    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
    

    Dự kiến ​​sẽ trông giống như

          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. Làm cách nào để san bằng nhiều chỉ mục thành một chỉ mục sau pivot

    Từ

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

    Đến

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

Answer 1

Chúng tôi bắt đầu bằng cách trả lời câu hỏi đầu tiên:

Câu hỏi 1

Tại sao tôi nhận được ValueError: Index contains duplicate entries, cannot reshape

Điều này xảy ra vì gấu trúc đang cố lập chỉ mục lại một columnshoặc một indexđối tượng có các mục nhập trùng lặp. Có nhiều phương pháp khác nhau để sử dụng có thể thực hiện xoay. Một số trong số chúng không phù hợp khi có bản sao của các khóa mà nó đang được yêu cầu xoay. Ví dụ. Hãy cân nhắc pd.DataFrame.pivot. Tôi biết có những mục trùng lặp chia sẻ các giá trị rowvà col:

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

True

Vì vậy, khi tôi pivotsử dụng

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

Tôi nhận được lỗi được đề cập ở trên. Trên thực tế, tôi gặp phải lỗi tương tự khi cố gắng thực hiện cùng một tác vụ với:

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

Đây là danh sách các thành ngữ chúng ta có thể sử dụng để xoay

1. pd.DataFrame.groupby + pd.DataFrame.unstack
   • Cách tiếp cận chung tốt để thực hiện bất kỳ loại trục xoay nào
   • Bạn chỉ định tất cả các cột sẽ tạo thành cấp hàng xoay vòng và cấp cột trong một nhóm bằng. Bạn làm theo điều đó bằng cách chọn các cột còn lại bạn muốn tổng hợp và (các) chức năng bạn muốn thực hiện tổng hợp. Cuối cùng, bạn có unstackcác cấp độ mà bạn muốn có trong chỉ mục cột.
2. pd.DataFrame.pivot_table
   • Một phiên bản được tôn vinh groupbyvới API trực quan hơn. Đối với nhiều người, đây là cách tiếp cận ưa thích. Và là cách tiếp cận dự định của các nhà phát triển.
   • Chỉ định cấp hàng, cấp cột, giá trị được tổng hợp và (các) chức năng để thực hiện tổng hợp.
3. pd.DataFrame.set_index + pd.DataFrame.unstack
   • Thuận tiện và trực quan cho một số (bao gồm cả bản thân tôi). Không thể xử lý các khóa được nhóm trùng lặp.
   • Tương tự như groupbymô hình, chúng tôi chỉ định tất cả các cột cuối cùng sẽ là cấp độ hàng hoặc cột và đặt chúng làm chỉ mục. Sau đó unstack, chúng tôi đưa ra các mức chúng tôi muốn trong các cột. Nếu mức chỉ mục còn lại hoặc mức cột không phải là duy nhất, phương pháp này sẽ thất bại.
4. pd.DataFrame.pivot
   • Rất giống set_indexở chỗ nó chia sẻ giới hạn về khóa trùng lặp. API cũng rất hạn chế. Nó chỉ mất giá trị vô hướng cho index, columns, values.
   • Tương tự như pivot_tablephương pháp chúng ta chọn hàng, cột và giá trị để xoay. Tuy nhiên, chúng tôi không thể tổng hợp và nếu một trong hai hàng hoặc cột không phải là duy nhất, phương pháp này sẽ thất bại.
5. pd.crosstab
   • Đây là một phiên bản chuyên biệt pivot_tablevà ở dạng thuần túy nhất là cách trực quan nhất để thực hiện một số tác vụ.
6. pd.factorize + np.bincount
   • Đây là một kỹ thuật cao cấp, rất ít người biết đến nhưng rất nhanh chóng. Nó không thể được sử dụng trong mọi trường hợp, nhưng khi nó có thể được sử dụng và bạn cảm thấy thoải mái khi sử dụng nó, bạn sẽ gặt hái được thành quả.
7. pd.get_dummies + pd.DataFrame.dot
   • Tôi sử dụng điều này để thực hiện khéo léo các bảng chéo.

---

Ví dụ

Những gì tôi sẽ làm cho mỗi câu trả lời và câu hỏi tiếp theo là trả lời nó bằng cách sử dụng pd.DataFrame.pivot_table. Sau đó, tôi sẽ cung cấp các lựa chọn thay thế để thực hiện cùng một nhiệm vụ.

Câu hỏi 3

Làm cách nào để xoay vòng dfsao cho các colgiá trị là cột, rowgiá trị là chỉ số, val0giá trị trung bình là giá trị và giá trị bị thiếu là 0gì?

• pd.DataFrame.pivot_table

  • fill_valuekhông được đặt theo mặc định. Tôi có xu hướng thiết lập nó một cách thích hợp. Trong trường hợp này, tôi đặt nó thành 0. Lưu ý rằng tôi đã bỏ qua câu hỏi 2 vì nó giống với câu trả lời này mà không cófill_value

  • aggfunc='mean'là mặc định và tôi không phải đặt nó. Tôi đã bao gồm nó để rõ ràng.

    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)
  

---

Câu hỏi 4

Tôi có thể lấy thứ gì đó khác hơn mean, như có thể sumkhông?

• 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)
  

---

Câu hỏi 5

Tôi có thể làm nhiều hơn một tập hợp cùng một lúc không?

Lưu ý rằng đối với pivot_tablevà crosstabtôi cần phải chuyển danh sách có thể gọi. Mặt khác, groupby.aggcó thể lấy chuỗi cho một số chức năng đặc biệt hạn chế. groupby.aggcũng sẽ sử dụng các hàm gọi tương tự mà chúng tôi đã chuyển cho những người khác, nhưng thường hiệu quả hơn khi tận dụng các tên hàm chuỗi vì có hiệu quả đạt được.

• 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')
  

---

Câu hỏi 6

Tôi có thể tổng hợp trên nhiều cột giá trị không?

• pd.DataFrame.pivot_tablechúng tôi vượt qua values=['val0', 'val1']nhưng chúng tôi có thể bỏ điều đó hoàn toàn

  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)
  

---

Câu hỏi 7

Có thể Chia nhỏ cho nhiều cột không?

• 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)
  

---

Câu hỏi 8

Có thể Chia nhỏ cho nhiều cột không?

• 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 vì bộ khóa là duy nhất cho cả hàng và cột

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

---

Câu hỏi 9

Tôi có thể tổng hợp tần suất mà cột và hàng xuất hiện cùng nhau, hay còn gọi là "lập bảng chéo" không?

• 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
  

---

Câu 10

Làm cách nào để chuyển đổi DataFrame từ dài sang rộng bằng cách xoay vòng CHỈ trên hai cột?

Bước đầu tiên là gán một số cho mỗi hàng - số này sẽ là chỉ số hàng của giá trị đó trong kết quả xoay vòng. Điều này được thực hiện bằng cách sử dụng 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

Bước thứ hai là sử dụng cột mới tạo làm chỉ mục để gọi 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

---

Câu 11

Làm cách nào để san bằng nhiều chỉ mục thành một chỉ mục sau pivot

Nếu columnsnhập objectbằng chuỗijoin

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

khác format

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

Answer 2

Để mở rộng câu trả lời của @ piRSquared một phiên bản khác của Câu hỏi 10

Câu 10.1

Khung dữ liệu:

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

Đầu ra:

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

---

Sử dụng df.groupbyvàpd.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

Hoặc A tốt hơn thay thế sử dụng pd.pivot_tablevớidf.squeeze.

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