目录
一、用法精讲
55、pandas.lreshape函数
55-1、语法
# 55、pandas.lreshape函数
pandas.lreshape(data, groups, dropna=True)
Reshape wide-format data to long. Generalized inverse of DataFrame.pivot.
Accepts a dictionary, groups, in which each key is a new column name and each value is a list of old column names that will be “melted” under the new column name as part of the reshape.
Parameters:
data
DataFrame
The wide-format DataFrame.
groups
dict
{new_name : list_of_columns}.
dropna
bool, default True
Do not include columns whose entries are all NaN.
Returns:
DataFrame
Reshaped DataFrame.
55-2、参数
55-2-1、data(必须):要进行重塑的Pandas数据框。
55-2-2、groups(必须):一个字典,用于指定要重塑的列组,字典的键是新列的名称,值是要重塑的列列表,例如:{'A': ['A1', 'A2'], 'B': ['B1', 'B2']}
。
55-2-3、dropna(可选,默认值为True):指定是否在重塑过程中丢弃包含NaN的行,如果设置为True
,则会丢弃包含NaN的行;如果设置为False
,则保留NaN。
55-3、功能
根据指定的列组对数据框进行重塑,将宽格式的数据转换为长格式。
55-4、返回值
返回一个重塑后的Pandas数据框,其中包含从宽格式转换为长格式的数据。
55-5、说明
Pandas.Ireshape是一个强大的工具,可以根据指定的列组对数据框进行宽转长的重塑,它具有三个参数:
55-5-1、data:要重塑的DataFrame。
55-5-2、groups:一个字典,定义新的列组。
55-5-3、dropna:指定是否丢弃包含NaN的行。
通过理解和正确使用这些参数,可以灵活地重塑数据框,从而更好地组织和分析数据。
55-6、用法
55-6-1、数据准备
无
55-6-2、代码示例
# 55、pandas.lreshape函数
import pandas as pd
# 创建示例数据框
data = pd.DataFrame({
'A1': [1, 2, 3],
'A2': [4, 5, 6],
'B1': ['a', 'b', 'c'],
'B2': ['d', 'e', 'f']
})
# 定义列组
groups = {
'A': ['A1', 'A2'],
'B': ['B1', 'B2']
}
# 使用pandas.lreshape进行重塑
reshaped = pd.lreshape(data, groups)
print(reshaped)
55-6-3、结果输出
# 55、pandas.lreshape函数
# A B
# 0 1 a
# 1 2 b
# 2 3 c
# 3 4 d
# 4 5 e
# 5 6 f
56、pandas.wide_to_long函数
56-1、语法
# 56、pandas.wide_to_long函数
pandas.wide_to_long(df, stubnames, i, j, sep='', suffix='\\d+')
Unpivot a DataFrame from wide to long format.
Less flexible but more user-friendly than melt.
With stubnames [‘A’, ‘B’], this function expects to find one or more group of columns with format A-suffix1, A-suffix2,…, B-suffix1, B-suffix2,… You specify what you want to call this suffix in the resulting long format with j (for example j=’year’)
Each row of these wide variables are assumed to be uniquely identified by i (can be a single column name or a list of column names)
All remaining variables in the data frame are left intact.
Parameters:
df
DataFrame
The wide-format DataFrame.
stubnames
str or list-like
The stub name(s). The wide format variables are assumed to start with the stub names.
i
str or list-like
Column(s) to use as id variable(s).
j
str
The name of the sub-observation variable. What you wish to name your suffix in the long format.
sep
str, default “”
A character indicating the separation of the variable names in the wide format, to be stripped from the names in the long format. For example, if your column names are A-suffix1, A-suffix2, you can strip the hyphen by specifying sep=’-’.
suffix
str, default ‘\d+’
A regular expression capturing the wanted suffixes. ‘\d+’ captures numeric suffixes. Suffixes with no numbers could be specified with the negated character class ‘\D+’. You can also further disambiguate suffixes, for example, if your wide variables are of the form A-one, B-two,.., and you have an unrelated column A-rating, you can ignore the last one by specifying suffix=’(!?one|two)’. When all suffixes are numeric, they are cast to int64/float64.
Returns:
DataFrame
A DataFrame that contains each stub name as a variable, with new index (i, j).
56-2、参数
56-2-1、df(必须):要进行重塑的Pandas数据框。
56-2-2、stubnames(必须):列名前缀的列表,这些列将被转换为长格式。比如,如果列名是A1970
, A1980
, B1970
, B1980
,那么stubnames应该是['A', 'B']
。
56-2-3、i(必须):表示唯一标识每一行的列名或列名列表,重塑后的每一行将保留这些列。
56-2-4、j(必须):新列的名称,这列将包含从宽格式中提取的时间或编号信息。例如,'year'
可以作为j
。
56-2-5、sep(可选,默认值为''):列名中stubnames和j
部分之间的分隔符。例如,如果列名是A-1970
,那么sep应该是'-'
。
56-2-6、suffix(可选,默认值为'\\d+'):stubnames后缀的正则表达式模式,用于匹配列名中的时间或编号部分,默认情况下,匹配一个或多个数字。
56-3、功能
用于将数据从宽格式(wide format)转换为长格式(long format),这个函数特别适用于处理时间序列数据或面板数据。
56-4、返回值
返回一个重塑后的Pandas数据框,其中包含从宽格式转换为长格式的数据。
56-5、说明
Pandas.wide_to_long是一个强大的工具,可以通过指定列名前缀、标识列、时间或编号列来将宽格式的数据转换为长格式。它具有以下参数:
56-5-1、df:要重塑的DataFrame。
56-5-2、stubnames:列名前缀列表。
56-5-3、i:唯一标识每一行的列名或列名列表。
56-5-4、j:新列的名称,用于包含时间或编号信息。
56-5-5、sep:列名中前缀和时间/编号部分之间的分隔符。
56-5-6、suffix:匹配时间或编号部分的正则表达式模式。
理解并正确使用这些参数,可以灵活地重塑数据框,以便更好地进行数据分析和处理。
56-6、用法
56-6-1、数据准备
无
56-6-2、代码示例
# 56、pandas.wide_to_long函数
import pandas as pd
# 创建示例数据框
df = pd.DataFrame({
'id': [1, 2, 3],
'A1970': [2.5, 1.5, 3.0],
'A1980': [2.0, 1.0, 3.5],
'B1970': [3.0, 2.0, 4.0],
'B1980': [3.5, 2.5, 4.5]
})
# 使用pandas.wide_to_long进行重塑
df_long = pd.wide_to_long(df, stubnames=['A', 'B'], i='id', j='year', sep='', suffix='\\d+')
print(df_long)
56-6-3、结果输出
# 56、pandas.wide_to_long函数
# A B
# id year
# 1 1970 2.5 3.0
# 2 1970 1.5 2.0
# 3 1970 3.0 4.0
# 1 1980 2.0 3.5
# 2 1980 1.0 2.5
# 3 1980 3.5 4.5
57、pandas.isna函数
57-1、语法
# 57、pandas.isna函数
pandas.isna(obj)
Detect missing values for an array-like object.
This function takes a scalar or array-like object and indicates whether values are missing (NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).
Parameters:
obj
scalar or array-like
Object to check for null or missing values.
Returns:
bool or array-like of bool
For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is missing.
57-2、参数
57-2-1、obj(必须):要检查缺失值的对象,可以是单个标量值、数组、Series、DataFrame或其他类似的pandas对象。
57-3、功能
用于检测缺失值,NA值在Pandas中表示缺失或无效的数据。
57-4、返回值
返回一个布尔型对象,与输入obj具有相同的形状,布尔型对象中的True表示对应位置的值为缺失值,False表示不是缺失值。
57-5、说明
pandas.isna(obj)是一个非常实用的函数,用于检测任何pandas对象中的缺失值,它适用于单个值、数组、Series和DataFrame等多种类型的数据结构,返回的布尔型对象可以用于进一步的数据清洗和处理操作。
57-6、用法
57-6-1、数据准备
无
57-6-2、代码示例
# 57、pandas.isna函数
# 57-1、检查单个标量值
import pandas as pd
import numpy as np
print(pd.isna(np.nan))
print(pd.isna(3.14))
print(pd.isna(None), end='\n\n')
# 57-2、检查Series
import pandas as pd
# 创建一个Series
s = pd.Series([1, 2, np.nan, 4, None])
# 检查Series中的缺失值
print(pd.isna(s), end='\n\n')
# 57-3、检查DataFrame
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({
'A': [1, 2, np.nan],
'B': [np.nan, 4, 5],
'C': [1, np.nan, np.nan]
})
# 检查DataFrame中的缺失值
print(pd.isna(df))
57-6-3、结果输出
# 57、pandas.isna函数
# 57-1、检查单个标量值
# True
# False
# True
# 57-2、检查Series
# 0 False
# 1 False
# 2 True
# 3 False
# 4 True
# dtype: bool
# 57-3、检查DataFrame
# A B C
# 0 False True False
# 1 False False True
# 2 True False True