資料結構
網路
RDBMS
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理
化學
生物
數學
英語
經濟學
心理學
社會科學
時尚研究
法律研究如何調整 Pandas Series 的形狀？
我們可以使用轉置、reshape 方法和 melt 函式等方法來調整 Pandas 系列。Pandas 系列是一個一維標籤陣列，它可以容納任何型別的陣列（整數、浮點數、字串等）。它類似於 NumPy 陣列，但每個元素都關聯了一個索引，該索引可以用來訪問各個值。重塑是指改變 Pandas 系列的形狀或結構，以便以各種方式使用資料。
演算法
使用不同方法重塑 Pandas 系列的一般演算法如下所示 −
用一些資料建立一個 Pandas 系列。
使用 reshape() 方法將系列的形狀更改為所需的形狀。
使用 stack() 方法將系列從寬格式轉換為長格式（如果需要）。
使用 melt() 方法將系列從寬格式轉換為長格式（如果需要）。
使用 unstack() 方法將系列從長格式轉換為寬格式（如果需要）。
使用 pivot() 方法將系列從長格式轉換為寬格式（如果需要）。
如有需要，可以使用 T 屬性來轉置 series。
方法 1：使用 Transpose 屬性
transpose 函式 (T) 可用於切換 series 的行和列。當我們需要以不同方式視覺化資料時，此功能非常有用。
語法
在此，T 是一種屬性，而不是方法，因此在使用它時不需要使用圓括號。此外，由於它是一種屬性，而不是方法，因此不能接受任何引數。T 屬性會返回一個新 DataFrame，其行和列已互換。
示例
在下例中，我們建立了一個 pandas series，然後使用 transpose 函式轉置 pandas series，最後輸出轉置後的 series。
import pandas as pd # Create a Series s = pd.Series([1, 2, 3, 4]) # Transpose the Series s_transposed = s.T # Print the transposed Series print(s_transposed)
輸出
0 1 1 2 2 3 3 4 dtype: int64
方法 2：使用 reshape 方法。
可以使用 reshape 方法來更改 series 的形狀。此方法要求新形狀與原始形狀相容。
語法
DataFrame.reshape(shape[, order])
在此，shape 引數指定陣列的新維度，而可選的 order 引數指定陣列元素的排列順序。
示例
在下例中，使用 values.reshape() 方法重塑 pandas series。首先建立包含 1 到 9 的值的 series。然後，使用 values.reshape(3,3) 將 series 重塑為 3x3 大小的矩陣。
import pandas as pd import numpy as np # Create a Series s = pd.Series(np.arange(1, 10)) # Reshape the Series s_reshaped = s.values.reshape((3, 3)) # Print the reshaped Series print(s_reshaped)
輸出
[[1 2 3] [4 5 6] [7 8 9]]
方法 3：使用 Melt 函式
可以使用 melt 函式解除 series 的透視。此函式會為原始 series 中的每個唯一值建立一個新資料幀，併為每個唯一值組合建立一個行。
語法
DataFrame.melt([id_vars, value_vars, ...], ...)
在此， id_vars 引數指定要用作識別符號變數的列，value_vars 引數指定要取消透視的列，還可以使用其他引數自定義輸出。
示例
在下例中，我們首先使用 reset_index 方法將 Series s 轉換為 DataFrame，該方法會建立一個新的 'index' 列，其中包含原始 Series 索引值。然後我們在此 DataFrame 上使用 melt 函式，並將 'index' 指定為 id_vars 引數，並指定 '0'（包含原始 Series 值的列的名稱）作為 value_vars 引數。
import pandas as pd
# Create a Series
s = pd.Series({'A': 1, 'B': 2, 'C': 3})
# Convert the Series to a DataFrame using reset_index()
df = s.reset_index()
# Melt the DataFrame
df_melted = pd.melt(df, id_vars='index', value_vars='0')
# Print the melted DataFrame
print(df_melted)
輸出
index variable value 0 A 0 1 1 B 0 2 2 C 0 3
方法 4：使用 unstack() 方法
Pandas 中的 unstack() 方法用於將多級索引 Series 或 DataFrame 重塑為寬格式。此方法本質上是將多級索引的最內層級旋轉為新 DataFrame 的列。unstack() 方法是 stack() 方法的逆方法。
語法
Series.unstack(level=-1, fill_value=None)
在此，level 引數指定要取消堆疊的索引層，而 fill_value 引數指定要填充缺失值的值。
示例
在下例中，我們首先建立一個具有兩個索引層（“First”和“Second”）的多級索引 DataFrame df。然後我們對 DataFrame 使用
unstack() 方法，將最內層“Second”旋轉為新 DataFrame 的列。生成的 DataFrame df_unstacked 具有列“A”和“B”，原始索引層“First”和“Second”保留為行標籤。
import pandas as pd
# Create a multi-level index DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=pd.MultiIndex.from_tuples([('X', 'a'), ('X', 'b'), ('Y', 'c')], names=['First', 'Second']))
# Unstack the DataFrame
df_unstacked = df.unstack()
# Print the unstacked DataFrame
print(df_unstacked)
輸出
A B Second a b c a b c First X 1.0 2.0 NaN 4.0 5.0 NaN Y NaN NaN 3.0 NaN NaN 6.0
方法 5：使用 pivot() 方法
Pandas 中的 pivot() 方法用於將 DataFrame 從長格式重塑為寬格式。此方法採用三個引數：index、columns 和 values。index 引數指定要用作結果 DataFrame 的行索引的列，columns 引數指定要用作結果 DataFrame 的列索引的列，values 引數指定要用作結果 DataFrame 的值。
語法
DataFrame.pivot([index, columns, values])
在此，index 引數指定要作為行索引的列，columns 引數指定要作為列索引的列，values 引數指定要作為資料值使用的列。
示例
在下例中，我們首先使用三列“Year”、“Quarter”和“Sales”建立一個長格式的 DataFrame df。然後，我們在 DataFrame 上使用 pivot() 方法，指定“Year”為 index 引數，“Quarter”為 columns 引數，“Sales”為 values 引數。結果 DataFrame df_pivoted 有兩列“Q1”和“Q2”，其中“Year”為行索引。
import pandas as pd
# Create a long format DataFrame
df = pd.DataFrame({'Year': [2019, 2019, 2020, 2020], 'Quarter': ['Q1', 'Q2', 'Q1', 'Q2'], 'Sales': [100, 200, 150, 250]})
# Pivot the DataFrame
df_pivoted = df.pivot(index='Year', columns='Quarter', values='Sales')
# Print the pivoted DataFrame
print(df_pivoted)
輸出
Quarter Q1 Q2 Year 2019 100 200 2020 150 250
結論
在本文中，我們討論瞭如何使用 transpose、reshape 和 melt 函式等方法重塑 Pandas 系列。我們可以重塑 Pandas 系列，將資料轉換為不同的格式，用於視覺化、聚合或分組資料，以及將多個數據系列合併和組合到資料幀中。
2k+次瀏覽
