Python Pandas 透视和映射值答案

【问题标题】：Python Pandas pivot and map valuesPython Pandas 透视和映射值
【发布时间】：2017-09-09 02:15:24
【问题描述】：

假设我有一个包含以下列的数据框：id1、id2、valueType、value。

首先，我想旋转数据框以附加不同可能值类型的列（valueType.unique() ？）。然后，对于每个值，我想将其映射到具有相应 id1、id2 的行的正确 valueType 列。我想我还必须考虑到新的旋转列的长度不一定相等（即某些 valueType 比其他 valueType 出现的频率更高），所以我必须先用 NaN 填充它们。最好的方法是什么？我猜我会在数据帧上使用 pivot() 和 set_index()？

输入df

    id1 id2 valuetype  value
0     1   a    height      5
1     1   a     width      4
2     1   a    length      3
3     1   b    height      6
4     1   b     width      5
5     1   c    length      4
6     2   a    height      3
7     2   a     width      6
8     2   b    height      7
9     2   b    length      8
10    2   c    height      9
11    2   c     width      5

预期输出

   id1 id2  height  length  width
0    1   a     5.0     3.0    4.0
1    1   b     6.0     NaN    5.0
2    1   c     NaN     4.0    NaN
3    2   a     3.0     NaN    6.0
4    2   b     7.0     8.0    NaN
5    2   c     9.0     NaN    5.0

【问题讨论】：

在问之前最好在谷歌搜索你的问题..:)

标签： python pandas join dataframe pivot

【解决方案1】：

使用pivot_table

In [401]: (df.pivot_table(index=['id1', 'id2'], columns='valuetype', values='value')
             .reset_index().rename_axis(None, 1))
Out[401]:
   id1 id2  height  length  width
0    1   a     5.0     3.0    4.0
1    1   b     6.0     NaN    5.0
2    1   c     NaN     4.0    NaN
3    2   a     3.0     NaN    6.0
4    2   b     7.0     8.0    NaN
5    2   c     9.0     NaN    5.0

或者，使用groupby

In [404]: (df.groupby(['id1', 'id2', 'valuetype'])['value'].sum().unstack()
             .reset_index().rename_axis(None, 1))
Out[404]:
   id1 id2  height  length  width
0    1   a     5.0     3.0    4.0
1    1   b     6.0     NaN    5.0
2    1   c     NaN     4.0    NaN
3    2   a     3.0     NaN    6.0
4    2   b     7.0     8.0    NaN
5    2   c     9.0     NaN    5.0

或者，使用set_index

In [414]: (df.set_index(['id1', 'id2', 'valuetype'])['value'].unstack()
             .reset_index().rename_axis(None, 1))
Out[414]:
   id1 id2  height  length  width
0    1   a     5.0     3.0    4.0
1    1   b     6.0     NaN    5.0
2    1   c     NaN     4.0    NaN
3    2   a     3.0     NaN    6.0
4    2   b     7.0     8.0    NaN
5    2   c     9.0     NaN    5.0

【讨论】：