pandas stack/unstack 使用 swaplevel 重塑 df答案

【问题标题】：pandas stack/unstack reshaping df with swaplevelpandas stack/unstack 使用 swaplevel 重塑 df
【发布时间】：2018-09-24 19:23:27
【问题描述】：

我有 df:

pd.DataFrame({'period': {0: pd.Timestamp('2016-05-01 00:00:00'),
  1: pd.Timestamp('2017-05-01 00:00:00'),
  2: pd.Timestamp('2018-03-01 00:00:00'),
  3: pd.Timestamp('2018-04-01 00:00:00'),
  4: pd.Timestamp('2016-05-01 00:00:00'),
  5: pd.Timestamp('2017-05-01 00:00:00'),
  6: pd.Timestamp('2016-03-01 00:00:00'),
  7: pd.Timestamp('2016-04-01 00:00:00')},
 'cost2': {0: 15,
  1: 144,
  2: 44,
  3: 34,
  4: 13,
  5: 11,
  6: 12,
  7: 13},
 'rev2': {0: 154,
  1: 13,
  2: 33,
  3: 37,
  4: 15,
  5: 11,
  6: 12,
  7: 13},
 'cost1': {0: 19,
  1: 39,
  2: 53,
  3: 16,
  4: 19,
  5: 11,
  6: 12,
  7: 13},
 'rev1': {0: 34,
  1: 34,
  2: 74,
  3: 22,
  4: 34,
  5: 11,
  6: 12,
  7: 13},
 'destination': {0: 'YYZ',
  1: 'YYZ',
  2: 'YYZ',
  3: 'YYZ',
  4: 'DFW',
  5: 'DFW',
  6: 'DFW',
  7: 'DFW'},
 'source': {0: 'SFO',
  1: 'SFO',
  2: 'SFO',
  3: 'SFO',
  4: 'MIA',
  5: 'MIA',
  6: 'MIA',
  7: 'MIA'}})

df = df[['source','destination','period','rev1','rev2','cost1','cost2']]

看起来像：

我希望最终的 df 具有以下列：

                     2017-05-01                2016-05-01
source, destination, rev1, rev2, cost1, cost2, rev1, rev2, cost1, cost2...

因此，基本上，对于每个来源/目的地对，我都想要一行中每个日期的收入和成本数字。

我一直在修补堆栈和取消堆栈，但未能实现我的目标。

【问题讨论】：

标签： python pandas stack reshape

【解决方案1】：

您可以使用set_index + unstack 将long 更改为wide ，然后使用swaplevel 更改您需要的列索引格式

df.set_index(['destination','source','period']).unstack().swaplevel(0,1,axis=1).sort_index(level=0,axis=1)

【讨论】：

【解决方案2】：

.set_index + .unstack 的替代品是.pivot_table：

df.pivot_table( \
     index=['source', 'destination'], \
     columns=['period'], \
     values=['rev1', 'rev2', 'cost1', 'cost2'] \
   ).swaplevel(axis=1).sort_index(axis=1, level=0)

# period             2016-03-01                   2016-04-01                    ...
#                         cost1 cost2  rev1  rev2      cost1 cost2  rev1  rev2   
# source destination                                                             
# MIA    DFW               12.0  12.0  12.0  12.0       13.0  13.0  13.0  13.0   
# SFO    YYZ                NaN   NaN   NaN   NaN        NaN   NaN   NaN   NaN

【讨论】：