熊猫.融化

熊猫。熔化（框架， id_vars = None， value_vars = None， var_name = None， value_name = 'value'， col_level = None， ignore_index = True）

将 DataFrame 从宽格式逆透视为长格式，可以选择保留标识符集。

此函数可用于将 DataFrame 调整为一种格式，其中一列或多列是标识符变量 ( id_vars )，而所有其他列（被视为测量变量 ( value_vars））均“反转”到行轴，只留下两个非标识符列，“变量”和“值”。

参数：

id_vars标量、元组、列表或 ndarray，可选

用作标识符变量的列。

value_vars标量、元组、列表或 ndarray，可选

要取消透视的列。如果未指定，则使用未设置为id_vars的所有列。

var_name标量，默认无

用于“变量”列的名称。如果没有，则使用 frame.columns.name“变量”。

value_name标量，默认“值”

用于“值”列的名称不能是现有的列标签。

col_level标量，可选

如果列是多重索引，则使用此级别来融化。

ignore_index bool, 默认 True

如果为 True，则忽略原始索引。如果为 False，则保留原始索引。索引标签将根据需要重复。

返回：

数据框

未旋转的数据框。

也可以看看

DataFrame.melt

相同的方法。

pivot_table

创建电子表格样式的数据透视表作为 DataFrame。

DataFrame.pivot

返回按给定索引/列值组织的重塑的 DataFrame。

DataFrame.explode

将 DataFrame 从类似列表的列分解为长格式。

笔记

请参阅用户指南以获取更多示例。

例子

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

>>> pd.melt(df, id_vars=['A'], value_vars=['B'])
   A variable  value
0  a        B      1
1  b        B      3
2  c        B      5

>>> pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
   A variable  value
0  a        B      1
1  b        B      3
2  c        B      5
3  a        C      2
4  b        C      4
5  c        C      6

“变量”和“值”列的名称可以自定义：

>>> pd.melt(df, id_vars=['A'], value_vars=['B'],
...         var_name='myVarname', value_name='myValname')
   A myVarname  myValname
0  a         B          1
1  b         B          3
2  c         B          5

原始索引值可以保留在：

>>> pd.melt(df, id_vars=['A'], value_vars=['B', 'C'], ignore_index=False)
   A variable  value
0  a        B      1
1  b        B      3
2  c        B      5
0  a        C      2
1  b        C      4
2  c        C      6

如果您有多索引列：

>>> df.columns = [list('ABC'), list('DEF')]
>>> df
   A  B  C
   D  E  F
0  a  1  2
1  b  3  4
2  c  5  6

>>> pd.melt(df, col_level=0, id_vars=['A'], value_vars=['B'])
   A variable  value
0  a        B      1
1  b        B      3
2  c        B      5

>>> pd.melt(df, id_vars=[('A', 'D')], value_vars=[('B', 'E')])
  (A, D) variable_0 variable_1  value
0      a          B          E      1
1      b          B          E      3
2      c          B          E      5