Python DataFrame：将一列转置为多列答案

【问题标题】：Python DataFrame: transpose one column into multiple columnPython DataFrame：将一列转置为多列
【发布时间】：2018-03-09 12:27:28
【问题描述】：

我有一个如下的数据框：

df = pd.DataFrame({'month':['2017-09-27','2017-09-27','2017-09-28','2017-09-29'],'Cost':[100,500,200,300]})

我怎样才能得到这样的df：

2017-09-27   2017-09-28    2017-09-29
  100            200          300
  500            NULL         NULL

提前致谢！

【问题讨论】：

标签： python-3.x pandas dataframe reshape

【解决方案1】：

使用cumcount 计算items within each group 的“累积计数”。我们将使用这些值（如下）作为索引标签。

In [97]: df['index'] = df.groupby('month').cumcount()

In [98]: df
Out[98]: 
   Cost       month  index
0   100  2017-09-27      0
1   500  2017-09-27      1
2   200  2017-09-28      0
3   300  2017-09-29      0

那么pivoting就可以得到想要的结果：

In [99]: df.pivot(index='index', columns='month', values='Cost')
Out[99]: 
month  2017-09-27  2017-09-28  2017-09-29
index                                    
0           100.0       200.0       300.0
1           500.0         NaN         NaN

【讨论】：

我喜欢你的回答。谢谢！
我的意思是我知道 cumcount，但为什么我没有想到这个解决方案:(。你有一些文章或书籍推荐我阅读吗？谢谢！
很好的答案！我在这个概念的衍生解决方案中使用了cumcount。
我不知道有哪本书涵盖了这一点；在很大程度上，我认为学习这些技巧只是经验问题。每次你看到新的东西时，学习技巧并振作起来：它们的数量是有限的 :) PS。在 StackOverflow 上闲逛并尝试回答问题是学习一门学科的好方法。
@ZedFang：我确定我不是第一个想到这个的人，但this post 记录了我是如何偶然发现这个技巧的。

【解决方案2】：

选项1
zip_longest

from itertools import zip_longest

s = df.groupby('month').Cost.apply(list)
pd.DataFrame(list(zip_longest(*s)), columns=s.index)

month  2017-09-27  2017-09-28  2017-09-29
0             100       200.0       300.0
1             500         NaN         NaN

选项 2
pd.concat

pd.concat(
    {k: g.reset_index(drop=True) for k, g in df.groupby('month').Cost},
    axis=1
)

   2017-09-27  2017-09-28  2017-09-29
0         100       200.0       300.0
1         500         NaN         NaN

选项 3
与@unutbu 类似，它使用cumcount。但是，我使用 set_index 和 unstack 进行旋转。

df.set_index([df.groupby('month').cumcount(), 'month']).Cost.unstack()

month  2017-09-27  2017-09-28  2017-09-29
0           100.0       200.0       300.0
1           500.0         NaN         NaN

【讨论】：