python_透视表操作unstack

python_透视表操作

Data Wrangling: Join, Combine,¶
# 第8章 数据规整：聚合、合并和重塑
# 在许多应⽤中，数据可能分散在许多⽂件或数据库中，存储的形
# 式也不利于分析。本章关注可以聚合、合并、重塑数据的⽅法。
import numpy as np
import pandas as pd
pd.options.display.max_rows = 20
np.random.seed(12345)
import matplotlib.pyplot as plt
plt.rc('figure', figsize=(10, 6))
np.set_printoptions(precision=4, suppress=True)
Hierarchical Indexing
8.1 层次化索引
# 层次化索引（hierarchical indexing）是pandas的⼀项重要功
# 能，它使你能在⼀个轴上拥有多个（两个以上）索引级别。抽象
# 点说，它使你能以低维度形式处理⾼维度数据。
# 8.1 层次化索引
# 层次化索引（hierarchical indexing）是pandas的⼀项重要功
# 能，它使你能在⼀个轴上拥有多个（两个以上）索引级别。抽象
# 点说，它使你能以低维度形式处理⾼维度数据。
data = pd.Series(np.random.randn(9),
index=[['a', 'a', 'a', 'b', 'b', 'c', 'c', 'd', 'd'],
[1, 2, 3, 1, 3, 1, 2, 2, 3]])
data
a 1 -0.204708
2 0.478943
3 -0.519439
b 1 -0.555730
3 1.965781
c 1 1.393406
2 0.092908
d 2 0.281746
3 0.769023
dtype: float64
data.index
MultiIndex(levels=[['a', 'b', 'c', 'd'], [1, 2, 3]],
labels=[[0, 0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 2, 0, 1, 1, 2]])
data['b']
data['b':'c']
data.loc[['b', 'd']]
data.loc[:, 2]
# 层次化索引在数据重塑和基于分组的操作（如透视表⽣成）中扮
# 演着重要的⻆⾊。例如，可以通过unstack⽅法将这段数据重新
# 安排到⼀个DataFrame中：
data.unstack()
1 2 3
a -0.204708 0.478943 -0.519439
b -0.555730 NaN 1.965781
c 1.393406 0.092908 NaN
d NaN 0.281746 0.769023
#
#unstack的逆运算是stack：
data.unstack().stack()
a 1 -0.204708
2 0.478943
3 -0.519439
b 1 -0.555730
3 1.965781
c 1 1.393406
2 0.092908
d 2 0.281746
3 0.769023
dtype: float64
frame = pd.DataFrame(np.arange(12).reshape((4, 3)),
index=[['a', 'a', 'b', 'b'], [1, 2, 1, 2]],
columns=[['Ohio', 'Ohio', 'Colorado'],
['Green', 'Red', 'Green']])
frame
frame.index.names = ['key1', 'key2']
frame.columns.names = ['state', 'color']
frame
frame['Ohio']
MultiIndex.from_arrays([['Ohio', 'Ohio', 'Colorado'], ['Green', 'Red', 'Green']], names=['state', 'color'])