In [1]: import pandas as pd
- Titanic data
本教程使用泰坦尼克号数据集，存储为CSV格式。数据包含以下数据列：
PassengerId: 每位乘客的ID。
幸存：乘客是否幸存的指示。
0表示是，1表示否。Pclass：三种票等级之一：等级
1、等级2和等级3。名称：乘客的姓名。
Sex: 乘客的性别。
年龄：乘客的年龄（岁）。
SibSp: 船上的兄弟姐妹或配偶数量。
Parch: 父母或孩子在船上的数量。
票：乘客的票号。
票价：指示票价。
Cabin: 乘客的舱位号。
Embarked: 登船港。
In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 0 1 0 3 Braund, Mr. Owen Harris male 22.0 1 0 A/5 21171 7.2500 NaN S 1 2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Th... female 38.0 1 0 PC 17599 71.2833 C85 C 2 3 1 3 Heikkinen, Miss Laina female 26.0 0 0 STON/O2. 3101282 7.9250 NaN S 3 4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35.0 1 0 113803 53.1000 C123 S 4 5 0 3 Allen, Mr. William Henry male 35.0 0 0 373450 8.0500 NaN S
-
Air quality data
本教程使用关于 \(NO_2\) 和直径小于2.5微米的颗粒物的空气质量数据，这些数据由 OpenAQ 提供，并使用 py-openaq 包。
air_quality_long.csv数据集提供了测量站 FR04014、BETR801 和 London Westminster 分别在巴黎、安特卫普和伦敦的 \(NO_2\) 和 \(PM_{25}\) 值。空气质量数据集有以下列：
city: 传感器使用的城市，可以是巴黎、安特卫普或伦敦
country: 传感器使用的国家，可以是 FR、BE 或 GB
位置：传感器ID，可以是 FR04014、BETR801 或 London Westminster
参数：传感器测量的参数，可以是 \(NO_2\) 或颗粒物
value: 测量值
单位：测量参数的单位，在这种情况下为‘µg/m³’
并且
DataFrame的索引是datetime，即测量的日期时间。To raw data备注
空气质量数据以所谓的 长格式 数据表示提供，每个观测值位于单独的行中，每个变量位于数据表的单独列中。长/窄格式也被称为 整洁数据格式。
In [4]: air_quality = pd.read_csv( ...: "data/air_quality_long.csv", index_col="date.utc", parse_dates=True ...: ) ...: In [5]: air_quality.head() Out[5]: city country location parameter value unit date.utc 2019-06-18 06:00:00+00:00 Antwerpen BE BETR801 pm25 18.0 µg/m³ 2019-06-17 08:00:00+00:00 Antwerpen BE BETR801 pm25 6.5 µg/m³ 2019-06-17 07:00:00+00:00 Antwerpen BE BETR801 pm25 18.5 µg/m³ 2019-06-17 06:00:00+00:00 Antwerpen BE BETR801 pm25 16.0 µg/m³ 2019-06-17 05:00:00+00:00 Antwerpen BE BETR801 pm25 7.5 µg/m³
如何重塑表格的布局#
排序表格行#
我想根据乘客的年龄对泰坦尼克号数据进行排序。
In [6]: titanic.sort_values(by="Age").head() Out[6]: PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 803 804 1 3 Thomas, Master Assad Alexander male 0.42 0 1 2625 8.5167 NaN C 755 756 1 2 Hamalainen, Master Viljo male 0.67 1 1 250649 14.5000 NaN S 644 645 1 3 Baclini, Miss Eugenie female 0.75 2 1 2666 19.2583 NaN C 469 470 1 3 Baclini, Miss Helene Barbara female 0.75 2 1 2666 19.2583 NaN C 78 79 1 2 Caldwell, Master Alden Gates male 0.83 0 2 248738 29.0000 NaN S
我想根据舱位等级和年龄按降序排列泰坦尼克号数据。
In [7]: titanic.sort_values(by=['Pclass', 'Age'], ascending=False).head() Out[7]: PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked 851 852 0 3 Svensson, Mr. Johan male 74.0 0 0 347060 7.7750 NaN S 116 117 0 3 Connors, Mr. Patrick male 70.5 0 0 370369 7.7500 NaN Q 280 281 0 3 Duane, Mr. Frank male 65.0 0 0 336439 7.7500 NaN Q 483 484 1 3 Turkula, Mrs. (Hedwig) female 63.0 0 0 4134 9.5875 NaN S 326 327 0 3 Nysveen, Mr. Johan Hansen male 61.0 0 0 345364 6.2375 NaN S
使用
DataFrame.sort_values()，表格中的行将根据定义的列进行排序。索引将跟随行的顺序。
关于表格排序的更多细节在用户指南的 数据排序 部分提供。
长表格式到宽表格式#
让我们使用空气质量数据集的一个小子集。我们专注于 \(NO_2\) 数据，并且只使用每个地点的前两次测量（即每个组的头部）。该子集数据将被称为 no2_subset。
# filter for no2 data only
In [8]: no2 = air_quality[air_quality["parameter"] == "no2"]
# use 2 measurements (head) for each location (groupby)
In [9]: no2_subset = no2.sort_index().groupby(["location"]).head(2)
In [10]: no2_subset
Out[10]:
city country location parameter value unit
date.utc
2019-04-09 01:00:00+00:00 Antwerpen BE BETR801 no2 22.5 µg/m³
2019-04-09 01:00:00+00:00 Paris FR FR04014 no2 24.4 µg/m³
2019-04-09 02:00:00+00:00 London GB London Westminster no2 67.0 µg/m³
2019-04-09 02:00:00+00:00 Antwerpen BE BETR801 no2 53.5 µg/m³
2019-04-09 02:00:00+00:00 Paris FR FR04014 no2 27.4 µg/m³
2019-04-09 03:00:00+00:00 London GB London Westminster no2 67.0 µg/m³
我希望三个站点的值作为单独的列并排显示。
In [11]: no2_subset.pivot(columns="location", values="value") Out[11]: location BETR801 FR04014 London Westminster date.utc 2019-04-09 01:00:00+00:00 22.5 24.4 NaN 2019-04-09 02:00:00+00:00 53.5 27.4 67.0 2019-04-09 03:00:00+00:00 NaN NaN 67.0
pivot()函数纯粹是对数据的重新塑形：每个索引/列组合需要一个单一的值。
由于 pandas 支持开箱即用的多列绘图（参见 绘图教程），从 长 到 宽 表格格式的转换使得可以同时绘制不同的时间序列：
In [12]: no2.head()
Out[12]:
city country location parameter value unit
date.utc
2019-06-21 00:00:00+00:00 Paris FR FR04014 no2 20.0 µg/m³
2019-06-20 23:00:00+00:00 Paris FR FR04014 no2 21.8 µg/m³
2019-06-20 22:00:00+00:00 Paris FR FR04014 no2 26.5 µg/m³
2019-06-20 21:00:00+00:00 Paris FR FR04014 no2 24.9 µg/m³
2019-06-20 20:00:00+00:00 Paris FR FR04014 no2 21.4 µg/m³
In [13]: no2.pivot(columns="location", values="value").plot()
Out[13]: <Axes: xlabel='date.utc'>
备注
当 index 参数未定义时，使用现有的索引（行标签）。
关于 pivot() 的更多信息，请参阅用户指南中关于 重塑 DataFrame 对象 的部分。
数据透视表#
我想要表中每个站点 \(NO_2\) 和 \(PM_{2.5}\) 的平均浓度。
In [14]: air_quality.pivot_table( ....: values="value", index="location", columns="parameter", aggfunc="mean" ....: ) ....: Out[14]: parameter no2 pm25 location BETR801 26.950920 23.169492 FR04014 29.374284 NaN London Westminster 29.740050 13.443568
在
pivot()的情况下，数据只是重新排列。当需要聚合多个值时（在这个特定情况下，不同时间步的值），可以使用pivot_table()，提供一个聚合函数（例如平均值）来如何组合这些值。
数据透视表是电子表格软件中众所周知的概念。当对每个变量的行/列边距（小计）感兴趣时，将 margins 参数设置为 True：
In [15]: air_quality.pivot_table(
....: values="value",
....: index="location",
....: columns="parameter",
....: aggfunc="mean",
....: margins=True,
....: )
....:
Out[15]:
parameter no2 pm25 All
location
BETR801 26.950920 23.169492 24.982353
FR04014 29.374284 NaN 29.374284
London Westminster 29.740050 13.443568 21.491708
All 29.430316 14.386849 24.222743
有关 pivot_table() 的更多信息，请参阅用户指南中关于 数据透视表 的部分。
备注
如果你想知道，pivot_table() 确实直接与 groupby() 相关联。通过在 parameter 和 location 上分组，可以得出相同的结果：
air_quality.groupby(["parameter", "location"])[["value"]].mean()
宽格式到长格式#
从上一节创建的宽格式表格重新开始，我们使用 reset_index() 向 DataFrame 添加一个新的索引。
In [16]: no2_pivoted = no2.pivot(columns="location", values="value").reset_index()
In [17]: no2_pivoted.head()
Out[17]:
location date.utc BETR801 FR04014 London Westminster
0 2019-04-09 01:00:00+00:00 22.5 24.4 NaN
1 2019-04-09 02:00:00+00:00 53.5 27.4 67.0
2 2019-04-09 03:00:00+00:00 54.5 34.2 67.0
3 2019-04-09 04:00:00+00:00 34.5 48.5 41.0
4 2019-04-09 05:00:00+00:00 46.5 59.5 41.0
我想收集所有空气质量 \(NO_2\) 测量值在一个单独的列中（长格式）。
In [18]: no_2 = no2_pivoted.melt(id_vars="date.utc") In [19]: no_2.head() Out[19]: date.utc location value 0 2019-04-09 01:00:00+00:00 BETR801 22.5 1 2019-04-09 02:00:00+00:00 BETR801 53.5 2 2019-04-09 03:00:00+00:00 BETR801 54.5 3 2019-04-09 04:00:00+00:00 BETR801 34.5 4 2019-04-09 05:00:00+00:00 BETR801 46.5
pandas.melt()方法在DataFrame上将数据表从宽格式转换为长格式。列标题成为在新创建的列中的变量名称。
解决方案是关于如何应用 pandas.melt() 的简短版本。该方法会将 id_vars 中未提及的所有列合并成两列：一列包含列头名称，另一列包含值本身。后一列默认名称为 value。
传递给 pandas.melt() 的参数可以更详细地定义：
In [20]: no_2 = no2_pivoted.melt(
....: id_vars="date.utc",
....: value_vars=["BETR801", "FR04014", "London Westminster"],
....: value_name="NO_2",
....: var_name="id_location",
....: )
....:
In [21]: no_2.head()
Out[21]:
date.utc id_location NO_2
0 2019-04-09 01:00:00+00:00 BETR801 22.5
1 2019-04-09 02:00:00+00:00 BETR801 53.5
2 2019-04-09 03:00:00+00:00 BETR801 54.5
3 2019-04-09 04:00:00+00:00 BETR801 34.5
4 2019-04-09 05:00:00+00:00 BETR801 46.5
额外的参数有以下效果：
value_vars定义了哪些列要 融合 在一起value_name为值列提供了一个自定义列名，而不是默认的列名valuevar_name为收集列标题名称的列提供了一个自定义列名。否则，它会采用索引名称或默认的variable
因此，参数 value_name 和 var_name 只是为生成的两列定义的用户自定义名称。要熔解的列由 id_vars 和 value_vars 定义。
使用 pandas.melt() 从宽格式转换为长格式的说明在用户指南的 通过 melt 重塑 部分中进行了解释。
REMEMBER
通过
sort_values支持按一个或多个列排序。pivot函数纯粹是对数据的重组，pivot_table支持聚合。pivot的反向操作（从长格式到宽格式）是 ``melt``（从宽格式到长格式）。
完整的概述可以在用户指南中关于 重塑和透视 的页面中找到。