一起学习，一起成长！

在数据处理与数据分析的过程中，我们经常会遇到一种处理场景就是行列转换。目前，市场上的软件比如SPSS，有相应的菜单进行操作。但是，SPSS有其自身的局限性，比如数据量大情况的性能劣势。

Python作为一门开源的编程语言，在这方面就远胜于SPSS。或许这样的比较不是很恰当，我们就当是用来理解差异性的一种方式。

接下来，小编会带领大家，基于python的使用numpy的一些方法，轻松进行数据处理与分析过程中经常遇到的行列转换问题。

有许多用于重新排列表格型数据的基础运算。这些函数也称作重塑（reshape）或轴向旋转（pivot）运算。

塑层次化索引

层次化索引为DataFrame数据的重排任务提供了一种具有良好一致性的方式。主要功能有二：

stack：将数据的列“旋转”为行。

unstack：将数据的行“旋转”为列。

In [9]: import numpy as np
In [10]: data=DataFrame(np.arange(6).reshape((2,3)),
                        index=pd.Index(['Ohio','Colorado'],name='state'),
                        columns=pd.Index(['one','two','three'],name='number'))
In [11]: data
Out[11]: 
number    one  two  three
state                    
Ohio        0    1      2
Colorado    3    4      5

使用stack()方法进行列转行

使用该数据的stack方法即可将列转换为行，得到一个Series：

In [12]: result=data.stack()
In [13]: result
Out[13]: 
state     number
Ohio      one       0
          two       1
          three     2
Colorado  one       3
          two       4
          three     5
dtype: int64

使用unstack()方法进行行转列

对于一个层次化索引的Series，可以用unstack将其重排为一个DataFrame：

In [14]: result.unstack()
Out[14]: 
number    one  two  three
state                    
Ohio        0    1      2
Colorado    3    4      5

默认情况下，unstack操作的是最内层（stack也是如此）。传入分层级别的编号或名称即可对其他级别进行unstack操作：

In [15]: result.unstack(0)
Out[15]: 
state   Ohio  Colorado
number                
one        0         3
two        1         4
three      2         5

In [16]: result.unstack('state')
Out[16]: 
state   Ohio  Colorado
number                
one        0         3
two        1         4
three      2         5

unstack操作引入缺失数据

如果不是所有的级别值都能在各分组中找到的话，则unstack操作可能会引入缺失数据：

In [17]: s1=Series([0,1,2,3],index=['a','b','c','d'])
In [18]: s2=Series([4,5,6],index=['c','d','e'])
In [19]: data2=pd.concat([s1,s2],keys=['one','two'])
In [20]: data2
Out[20]: 
one  a    0
     b    1
     c    2
     d    3
two  c    4
     d    5
     e    6
dtype: int64
In [21]: data2.unstack()
Out[21]: 
       a    b    c    d    e
one  0.0  1.0  2.0  3.0  NaN
two  NaN  NaN  4.0  5.0  6.0

stack默认滤除缺失数据

Stack默认会滤除缺失数据，因此该运算是可逆的：

In [22]: data2.unstack().stack()
Out[22]: 
one  a    0.0
     b    1.0
     c    2.0
     d    3.0
two  c    4.0
     d    5.0
     e    6.0
dtype: float64

In [23]: data2.unstack().stack(dropna=False)
Out[23]: 
one  a    0.0
     b    1.0
     c    2.0
     d    3.0
     e    NaN
two  a    NaN
     b    NaN
     c    4.0
     d    5.0
     e    6.0
dtype: float64

关于类似数据行列转换的python数据处理方法，还有很多，比如数据集合并、重复列的处理等等。大家可以直接在今日头条APP上直接搜多即可：

总的来说，通过python可以通过两行代码，轻松搞定行列转换问题。依照上述内容，亲手实践一下吧，如有问题，欢迎留言与关注。感谢支持！

「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」

python行列互换的方法（如何将python列数据变成行）

塑层次化索引

使用stack()方法进行列转行

使用unstack()方法进行行转列

unstack操作引入缺失数据

stack默认滤除缺失数据

相关推荐