熊猫将具有不同行名称的行组合到新的df中答案

【问题标题】：Pandas combining rows with diffrent row Names in to new df熊猫将具有不同行名称的行组合到新的df中
【发布时间】：2016-01-05 10:37:08
【问题描述】：

我有关注df1：

         A1       A2        A3        A4       B1        B2        B3      B4  \
3  0.202425  0.13495  0.202425  0.202425  0.94465  0.877175  0.877175  0.8097   

        C1      C2   ...           F3        F4        G1        G2        G3  \
3  1.21455  1.3495   ...     4.925676  4.318401  5.330526  5.600426  5.802851   

         G4        H1        H2       H3       H4  
3  5.398001  0.202425  0.067475  0.13495  0.13495  

[1 rows x 32 columns]

我想创建这样的东西：

       A1       A2        A3        A4
0.202425  0.13495   0.202425  0.202425
0.94465   0.877175  0.877175  0.8097
1.21455   1.3495    1.282025  1.282025
2.429101  2.496576  2.429101  2.429101    
3.441226  3.846076  3.643651  3.643651
4.723251  4.858201  4.925676  4.925676
5.330526  5.600426  5.802851  5.802851
0.202425  0.067475  0.13495   0.13495

这是我的代码：

a_cols = [c for c in df1.columns if c.startswith('A')]
b_cols = [c for c in df1.columns if c.startswith('B')]
c_cols = [c for c in df1.columns if c.startswith('C')]
d_cols = [c for c in df1.columns if c.startswith('D')]
e_cols = [c for c in df1.columns if c.startswith('E')]
f_cols = [c for c in df1.columns if c.startswith('F')]
g_cols = [c for c in df1.columns if c.startswith('G')]
h_cols = [c for c in df1.columns if c.startswith('H')]

col_dict = dict(zip(a_cols, b_cols,c_cols,d_cols,e_cols,f_cols,g_cols,h_cols))
l=pd.concat([df1.loc[:, a_cols], df1.loc[:, b_cols], df1.loc[:, c_cols], df1.loc[:, d_cols], df1.loc[:, e_cols], df1.loc[:, f_cols], df1.loc[:, g_cols].df1.loc[:, h_cols].rename(columns=col_dict)])
print (l)

不知何故，我无法将多个列表压缩在一起......

【问题讨论】：

这个问题和你之前的one有什么不同？
它不适用于更多行...
然后说明原因，SO 不是代码编写服务，你不能不努力就转储请求
对不起，我已经添加了我的代码

标签： python-3.x pandas dataframe

【解决方案1】：

也许您可以通过values 和reshape 使用numpy 数组。

如果length of columns 是4，则可以使用它。

print df
#         A1       A2        A3        A4       B1        B2        B3      B4  \
#0  0.202425  0.13495  0.202425  0.202425  0.94465  0.877175  0.877175  0.8097   
#
#        F1      F2        F3        F4        G1        G2        G3  \
#0  1.21455  1.3495  4.925676  4.318401  5.330526  5.600426  5.802851   
#
#         G4        H1        H2       H3       H4  
#0  5.398001  0.202425  0.067475  0.13495  0.13495  


print (df.values).reshape((5, 4))

#[[ 0.202425  0.13495   0.202425  0.202425]
# [ 0.94465   0.877175  0.877175  0.8097  ]
# [ 1.21455   1.3495    4.925676  4.318401]
# [ 5.330526  5.600426  5.802851  5.398001]
# [ 0.202425  0.067475  0.13495   0.13495 ]]

print (df.values).shape[1]
#20

print pd.DataFrame((df.values).reshape(((df.values).shape[1]/4, 4)), 
                                       columns=['A1','A2','A3','A4'])

#         A1        A2        A3        A4
#0  0.202425  0.134950  0.202425  0.202425
#1  0.944650  0.877175  0.877175  0.809700
#2  1.214550  1.349500  4.925676  4.318401
#3  5.330526  5.600426  5.802851  5.398001
#4  0.202425  0.067475  0.134950  0.134950

【讨论】：