如何使用 Pandas 进行数据逆透视和透视操作

Pandas 是 Python 语言中非常流行的数据处理库，其中的逆透视和透视操作在数据重塑方面是相当强大的。本文将介绍如何使用 Pandas 中的 pd.melt() 和 pd.pivot() 函数进行数据逆透视和透视操作。

首先，我们来看一个示例数据集:

import pandas as pd

# 构造测试数据
data = {'channel': ['A', 'B', 'C'],
        'level': ['L1', 'L2', 'L3'],
        'Jan': [100, 200, 300],
        'Feb': [150, 250, 350],
        'Mar': [200, 300, 400]}
da = pd.DataFrame(data)

以上代码生成了一个包含三个渠道、三个级别和三个月份销售额的数据集。其中，每个月份的销售额都被存储在一个独立的列中，这种表格形式称为宽表格（wide format）。

接下来，我们将使用 pd.melt() 函数将宽表格转换为长表格（long format），以便于进一步分析和可视化数据

def melt_data(df):
    # 使用 pd.melt() 函数进行逆透视列操作
    df_melted = pd.melt(df, id_vars=['channel', 'level'], var_name='month', value_name='value')
    return df_melted

df_melted = melt_data(da)
print(df_melted)

以上代码中，我们首先定义了一个名为 melt_data() 的函数，该函数使用 pd.melt() 函数进行逆透视列操作。其中：

• id_vars：需要保留在结果表格中的列名。
• var_name：新生成的列名，存储了原始表格中每个月份的列名。
• value_name：新生成的列名，存储了原始表格中每个月份对应的值。

pd.melt() 函数将宽表格转换为长表格后，结果表格的每一行都包含了一个渠道、一个级别和一个月份的销售额。

接下来，我们将使用 pd.pivot() 函数将长表格转换回宽表格。具体而言，我们将以 channel 和 level 列作为索引，以 month 列为列名，以 value 列为值，从而重新构造出一个与原始数据集相同的宽表格形式。

def pivot_data(df):
    # 使用 pd.pivot() 函数进行转换操作
    df_pivoted = pd.pivot(df, index=['channel', 'level'], columns='month', values='value')
    
    # 将列名按照期望顺序进行重新赋值，并使用 loc[] 函数进行列的重排
    new_columns = ['Jan', 'Feb', 'Mar']
    df_pivoted = df_pivoted.loc[:, new_columns]

    # 去掉列字段名称
    df_pivoted.columns.name = None
    
    # 重置索引并返回处理后的数据
    return df_pivoted.reset_index()

df_pivoted = pivot_data(df_melted)
print('\n',df_pivoted)

# 保存结果
df_pivoted.to_csv('sales_data.csv', index=False)

以上代码中，我们首先定义了一个名为 pivot_data() 的函数，该函数使用 pd.pivot() 函数进行转换操作。其中：

• index：需要用作新表格索引的列名。
• columns：需要将其转换为新表格列名的列名。
• values：需要填充到新表格中的值。

pd.pivot() 函数将长表格转换回宽表格后，结果表格的每一行都包含了一个渠道、一个级别和三个月份的销售额。

最后，我们可以通过以下代码将结果表格存储到一个 CSV 文件中。

本文介绍了如何使用 Pandas 中的 pd.melt() 和 pd.pivot ，希望对大家有启发！

本文由mdnice多平台发布