pandas.wide_to_long # 熊猫。Wide_to_long ( df , Stubnames , i , j , sep = '' , suffix = '\\d+' ) [来源] # 将 DataFrame 从宽格式逆透视为长格式。 灵活性较差,但比熔化更用户友好。 使用存根名称 ['A', 'B'],此函数期望找到一组或多组格式为 A-suffix1、A-suffix2、…、B-suffix1、B-suffix2、… 的列,您可以指定您想要的内容在生成的长格式中使用j调用此后缀(例如j='year') 这些宽变量的每一行都假定由 i唯一标识(可以是单个列名或列名列表) 数据框中的所有剩余变量均保持不变。 参数: df数据框宽格式 DataFrame。 存根名称str 或类似列表存根名称。假定宽格式变量以存根名称开头。 i str 或类似列表用作 id 变量的列。 j str子观测变量的名称。您希望以长格式命名后缀的内容。 sep str,默认“”指示宽格式变量名称分隔的字符,将从长格式名称中删除。例如,如果您的列名称为 A-suffix1、A-suffix2,则可以通过指定sep='-' 来go掉连字符。 后缀str,默认'\d+'捕获所需后缀的正则表达式。 '\d+' 捕获数字后缀。没有数字的后缀可以用否定字符类“\D+”指定。您还可以进一步消除后缀的歧义,例如,如果您的宽变量的形式为 A-one、B-two,..,并且您有一个不相关的列 A- rating,则可以通过指定suffix='来忽略最后一个(!?一|二)'。当所有后缀都是数字时,它们将被转换为 int64/float64。 返回: 数据框一个 DataFrame,其中包含每个存根名称作为变量,并具有新索引 (i, j)。 也可以看看 melt将 DataFrame 从宽格式逆透视为长格式,可以选择保留标识符集。 pivot创建电子表格样式的数据透视表作为 DataFrame。 DataFrame.pivot无需聚合即可处理非数字数据的透视。 DataFrame.pivot_table枢轴的泛化,可以处理一对索引/列的重复值。 DataFrame.unstack基于索引值而不是列进行透视。 笔记 所有额外的变量都保持不变。这只是 在底层使用了pandas.melt ,但在典型情况下被硬编码为“做正确的事情”。 例子 >>> np.random.seed(123) >>> df = pd.DataFrame({"A1970" : {0 : "a", 1 : "b", 2 : "c"}, ... "A1980" : {0 : "d", 1 : "e", 2 : "f"}, ... "B1970" : {0 : 2.5, 1 : 1.2, 2 : .7}, ... "B1980" : {0 : 3.2, 1 : 1.3, 2 : .1}, ... "X" : dict(zip(range(3), np.random.randn(3))) ... }) >>> df["id"] = df.index >>> df A1970 A1980 B1970 B1980 X id 0 a d 2.5 3.2 -1.085631 0 1 b e 1.2 1.3 0.997345 1 2 c f 0.7 0.1 0.282978 2 >>> pd.wide_to_long(df, ["A", "B"], i="id", j="year") ... X A B id year 0 1970 -1.085631 a 2.5 1 1970 0.997345 b 1.2 2 1970 0.282978 c 0.7 0 1980 -1.085631 d 3.2 1 1980 0.997345 e 1.3 2 1980 0.282978 f 0.1 具有多个 id 列 >>> df = pd.DataFrame({ ... 'famid': [1, 1, 1, 2, 2, 2, 3, 3, 3], ... 'birth': [1, 2, 3, 1, 2, 3, 1, 2, 3], ... 'ht1': [2.8, 2.9, 2.2, 2, 1.8, 1.9, 2.2, 2.3, 2.1], ... 'ht2': [3.4, 3.8, 2.9, 3.2, 2.8, 2.4, 3.3, 3.4, 2.9] ... }) >>> df famid birth ht1 ht2 0 1 1 2.8 3.4 1 1 2 2.9 3.8 2 1 3 2.2 2.9 3 2 1 2.0 3.2 4 2 2 1.8 2.8 5 2 3 1.9 2.4 6 3 1 2.2 3.3 7 3 2 2.3 3.4 8 3 3 2.1 2.9 >>> l = pd.wide_to_long(df, stubnames='ht', i=['famid', 'birth'], j='age') >>> l ... ht famid birth age 1 1 1 2.8 2 3.4 2 1 2.9 2 3.8 3 1 2.2 2 2.9 2 1 1 2.0 2 3.2 2 1 1.8 2 2.8 3 1 1.9 2 2.4 3 1 1 2.2 2 3.3 2 1 2.3 2 3.4 3 1 2.1 2 2.9 从长回到宽只需创造性地使用unstack >>> w = l.unstack() >>> w.columns = w.columns.map('{0[0]}{0[1]}'.format) >>> w.reset_index() famid birth ht1 ht2 0 1 1 2.8 3.4 1 1 2 2.9 3.8 2 1 3 2.2 2.9 3 2 1 2.0 3.2 4 2 2 1.8 2.8 5 2 3 1.9 2.4 6 3 1 2.2 3.3 7 3 2 2.3 3.4 8 3 3 2.1 2.9 还处理不太实用的列名称 >>> np.random.seed(0) >>> df = pd.DataFrame({'A(weekly)-2010': np.random.rand(3), ... 'A(weekly)-2011': np.random.rand(3), ... 'B(weekly)-2010': np.random.rand(3), ... 'B(weekly)-2011': np.random.rand(3), ... 'X' : np.random.randint(3, size=3)}) >>> df['id'] = df.index >>> df A(weekly)-2010 A(weekly)-2011 B(weekly)-2010 B(weekly)-2011 X id 0 0.548814 0.544883 0.437587 0.383442 0 0 1 0.715189 0.423655 0.891773 0.791725 1 1 2 0.602763 0.645894 0.963663 0.528895 1 2 >>> pd.wide_to_long(df, ['A(weekly)', 'B(weekly)'], i='id', ... j='year', sep='-') ... X A(weekly) B(weekly) id year 0 2010 0 0.548814 0.437587 1 2010 1 0.715189 0.891773 2 2010 1 0.602763 0.963663 0 2011 0 0.544883 0.383442 1 2011 1 0.423655 0.791725 2 2011 1 0.645894 0.528895 如果我们有很多列,我们还可以使用正则表达式来查找存根名称并将该列表传递给 Wide_to_long >>> stubnames = sorted( ... set([match[0] for match in df.columns.str.findall( ... r'[A-B]\(.*\)').values if match != []]) ... ) >>> list(stubnames) ['A(weekly)', 'B(weekly)'] 上述所有示例都以整数作为后缀。可以使用非整数作为后缀。 >>> df = pd.DataFrame({ ... 'famid': [1, 1, 1, 2, 2, 2, 3, 3, 3], ... 'birth': [1, 2, 3, 1, 2, 3, 1, 2, 3], ... 'ht_one': [2.8, 2.9, 2.2, 2, 1.8, 1.9, 2.2, 2.3, 2.1], ... 'ht_two': [3.4, 3.8, 2.9, 3.2, 2.8, 2.4, 3.3, 3.4, 2.9] ... }) >>> df famid birth ht_one ht_two 0 1 1 2.8 3.4 1 1 2 2.9 3.8 2 1 3 2.2 2.9 3 2 1 2.0 3.2 4 2 2 1.8 2.8 5 2 3 1.9 2.4 6 3 1 2.2 3.3 7 3 2 2.3 3.4 8 3 3 2.1 2.9 >>> l = pd.wide_to_long(df, stubnames='ht', i=['famid', 'birth'], j='age', ... sep='_', suffix=r'\w+') >>> l ... ht famid birth age 1 1 one 2.8 two 3.4 2 one 2.9 two 3.8 3 one 2.2 two 2.9 2 1 one 2.0 two 3.2 2 one 1.8 two 2.8 3 one 1.9 two 2.4 3 1 one 2.2 two 3.3 2 one 2.3 two 3.4 3 one 2.1 two 2.9