unstack pandas что делает

Изменение формы DataFrame для панд с использованием стека, разборки и расплавления

Панды используют различные методы для изменения формы и ряда данных. Давайте посмотрим на некоторые из этого метода изменения формы.

Давайте сначала импортируем фрейм данных.

# модуль импорта панд

import pandas as pd

# создание кадра данных

# было напечатано первые 5 строк

Выход:

Используя метод stack ():

Метод стека работает с объектами MultiIndex в DataFrame, он возвращает DataFrame с индексом с новым внутренним уровнем меток строк. Это меняет широкий стол на длинный стол.

# модуль импорта панд

import pandas as pd

# создание кадра данных

df = pd.read_csv( «nba.csv» )

# изменить форму данных с помощью метода stack ()

print (df_stacked.head( 26 ))

Выход:

Использование метода unstack ():
unstack аналогичен методу стека. Он также работает с многоиндексными объектами в фрейме данных, создавая измененный DataFrame с новым внутренним уровнем меток столбцов.

# модуль импорта панд

import pandas as pd

# создание кадра данных

df = pd.read_csv( «nba.csv» )

print (df_unstacked.head( 10 ))

Используя метод melt() :
Растопить в пандах изменить форму данных из широкого формата в длинный формат. Он использует «id_vars [‘col_names’]» для объединения данных с именами столбцов.

# модуль импорта панд

import pandas as pd

# создание кадра данных

df = pd.read_csv( «nba.csv» )

# занимает две колонки «Имя» и «Команда»

print (df_melt.head( 10 ))

Выход:

Источник

Русские Блоги

stack、unstack

Давайте посмотрим, как эти два метода переставляют таблицу данных.
Экспериментальные данные:

Как видите, после использования метода стека исходный индекс таблицы данных становится новым внешним индексом ряда, а исходное имя столбца становится вторичным индексом.
Его метод перестановки основан на:

Индекс старой таблицы 1 + имя столбца + значение
…
имя столбца + значение
…
Индекс n + имя столбца + значение старой таблицы
…
имя столбца + значение
…

Метод unstack может полностью изменить работу стека, а также имеет собственный метод перестановки

pivot、melt

Основные параметры пивота

index: Метка для индексации новых кадров

columns: Метка для создания новых рамных столбцов

values: Значение, используемое для заполнения нового значения кадра

Сводная таблица преобразует длинную таблицу в широкую таблицу, а значения без значения заполняются пропущенными значениями.
Тем не менее, индекс и столбцы pivot могут принимать только один столбец в качестве параметра, поэтому вы можете использовать pivot_table вместо этого при необходимости.

Основные параметры расплава

id_vars: Идентификационный столбец

value_vars: Столбцы для интеграции

var_name: Имя столбца столбца value_vars

value_name: Имя столбца значения

col_level: Уровень индекса столбца (требуется, если столбец является многократным индексом)

Значение, изначально находящееся в той же строке, что и A (столбец идентификации), отображается в столбце значений и соответствующем значении столбца переменнойB«Является ли имя столбца исходного значения

Здесь мы используем melt для преобразования вышеуказанной таблицы данных в длинную таблицу

Источник

Русские Блоги

Python pandas stack и unstack функции

При использовании pandas для переупорядочивания данных часто используются две функции: stack и unstack. Стек означает наложение, складывание, разложение означает «не складывать», именно так я понимаю и различаю две функции.

Таблица имеет индексы в направлении строк и столбцов (аналогично DataFrame), а структура фигурных скобок имеет только индекс в направлении столбцов (аналогично иерархической серии), и структура более склонна к укладке (серия-стек, легко запоминается). Функция стека изменяет данные из «структуры таблицы» на «структуру фигурных скобок», то есть ее индекс строки становится индексом столбца. Напротив, функция unstack изменяет данные из «структуры фигурных скобок» на «структуру таблицы», что означает Индекс столбца первого уровня становится индексом строки. пример:

· Результат печати выглядит следующим образом: используйте функцию стека для преобразования индекса строки данных [‘one’, ‘two’, ‘three’] в индекс столбца (второй уровень), и вы получите иерархический ряд (data2), используйте Функция unstack преобразует индекс столбца второго уровня data2 в индекс строки (значение по умолчанию может быть изменено), а затем получается DataFrame (data3).

Источник

Categories

Introduction

Pandas is a popular python library for data analysis. It provides a façade on top of libraries like numpy and matplotlib, which makes it easier to read and transform data. It provides the abstractions of DataFrames and Series, similar to those in R.

In Pandas data reshaping means the transformation of the structure of a table or vector (i.e. DataFrame or Series) to make it suitable for further analysis. Some of Pandas reshaping capabilities do not readily exist in other environments (e.g. SQL or bare bone R) and can be tricky for a beginner.

In this post, I’ll exemplify some of the most common Pandas reshaping functions and will depict their work with diagrams.

Pivot

The pivot function is used to create a new derived table out of a given one. Pivot takes 3 arguements with the following names: index, columns, and values. As a value for each of these parameters you need to specify a column name in the original table. Then the pivot function will create a new table, whose row and column indices are the unique values of the respective parameters. The cell values of the new table are taken from column given as the values parameter.

A bit foggy? Let’s give an example. Assume that we are given the following small table:

Although the semantics doesn’t matter in this example, you can think of it as a table of items we want to sell. The Item column contains the item names, USD is the price in US dollars and EU is the price in euros. Each client can be classified as Gold, Silver or Bronze customer and this is specified in the CType column.

The following code snippet creates the depicted DataFrame. Note that we will assume these imports are present in all code snippets throughout this article.

In such a table, it is not easy to see how the USD price varies over different customer types. We may like to reshape/pivot the table so that all USD prices for an item are on the row to compare more easily. With Pandas, we can do so with a single line:

Pivoting in action.

In other words, the value of USD for every row in the original table has been transferred to the new table, where its row and column match the Item and CType of its original row. Cells in the new table which do not have a matching entry in the original one are set with NaN.

As an example the following lines perform equivalent queries on the original and pivoted tables:

Note that in this example the pivoted table does not contain any information about the EU column! Indeed, we can’t see those euro symbols anywhere! Thus, the pivoted table is a simplified version of the original data and only contains information about the columns we specified as parameters to the pivot method.

Pivoting By Multiple Columns

We can use this hierarchical column index to filter the values of a single column from the original table. For example p.USD returns a pivoted DataFrame with the USD values only and it is equivalent to the pivoted DataFrame from the previous section.

To exemplify hierarchical indices, the expression p.USD.Bronze selects the first column in the pivoted table.

As a further example the following queries on the original and pivoted tables are equivalent:

Common Mistake in Pivoting

Common error in pivoting

In this example we have two rows with the same values (“Item0” and “Gold”) for the Item and CType columns. The pivot method can not know what should be the value of the corresponding value in the pivoted table. Thus, it throws an exception with the following message:

The following code reproduces the issue:

Hence, before calling pivot we need to ensure that our data does not have rows with duplicate values for the specified columns. If we can’t ensure this we may have to use the pivot_table method instead.

Pivot Table

The pivot_table method comes to solve this problem. It works like pivot, but it aggregates the values from rows with duplicate entries for the specified columns. In other words, in the previous example we could have used the mean, the median or another aggregation function to compute a single value from the conflicting entries. This is depicted in the example below.

Pivoting by a single column

In essence pivot_table is a generalisation of pivot, which allows you to aggregate multiple values with the same destination in the pivoted table.

Stack/Unstack

In fact pivoting a table is a special case of stacking a DataFrame. Let us assume we have a DataFrame with MultiIndices on the rows and columns. Stacking a DataFrame means moving (also rotating or pivoting) the innermost column index to become the innermost row index. The inverse operation is called unstacking. It means moving the innermost row index to become the innermost column index. The following diagram depicts the operations:

In this example, we look at a DataFrame with 2-level hierarchical indices on both axes. Stacking takes the most-inner column index (i.e. c00, c01, c10), makes it the most inner row index and reshuffles the cell values accordingly. Inversely, unstacking moves the inner row indices (i.e. r00, r01) to the columns.

Typically, stacking makes the DataFrame taller, as it is “stacking” data in fewer columns and more rows. Similarly, unstacking usually makes it shorter and wider or broader. The following reproduces the example:

In fact Pandas allows us to stack/unstack on any level of the index so our previous explanation was a bit simplified :). Thus, in the previous example we could have stacked on the outermost index level as well! However, the default (and most typical case) is to stack/unstack on the innermost index level.

Stacking and unstacking can also be applied to data with flat (i.e. non-hierchical) indices. In this case, one of the indices is de facto removed (the columns index if stacking, and the rows if unstacking) and its values are nested in the other index, which is now a MultiIndex. Therefore, the result is always a Series with a hierarchical index. The following example demonstrates this:

In this example we take a DataFrame similar to the one from the beginning. Instead of pivoting, this time we stack it, and we get a Series with a MultiIndex composed of the initial index as first level, and the table columns as a second. Unstacking can help us get back to our original data structure.

Источник

Unstack pandas что делает

При работе с таблицами Pandas порой приходится их видоизменять, в частности, когда таблица многоуровневая. В этой статье мы расскажем вам об основных функциях Pandas для изменения формы таблицы. К этим функциям относятся: pivot для создания сводной таблицы, stack/unstack для добавления/удаления уровня и melt для преобразования столбцов в строки.

Сводные таблицы с Pivot

Результат pivot на таблицах Pandas

Пример с кодом на Python для создания сводной таблицы:

Добавляем и удаляем уровни

С pivot тесно связаны связанные методы stack и unstack как для объектов Series, так и DataFrame. Эти методы предназначены для совместной работы с многоуровневыми таблицами. Под уровнем подразумевается столбец в индексе. Вот что в сущности делают эти методы:

Результат удаления уровня

Код на Python для добавления уровня в таблице Pandas:

Из столбцов в переменные

Результат преобразования melt

Следующий пример на Python демонстрирует результат Pandas-функции melt:

Еще больше подробностей о преобразовании таблиц Pandas в рамках анализа данных и задач Data Science на реальных примерах вы узнаете на нашем специализированном курсе «DPREP: Подготовка данных для Data Mining на Python» в лицензированном учебном центре обучения и повышения квалификации IT-специалистов в Москве.

Источник