Pandas.DataFrame行和列的轉(zhuǎn)置的實現(xiàn)

更新時間：2023年02月22日 09:24:26 作者：餃子大人

本文主要介紹了Pandas.DataFrame行和列的轉(zhuǎn)置的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

這兩種方法都不會保留原始對象不變，也不會返回交換了行和列（轉(zhuǎn)置）的新對象。請注意，根據(jù)每一列的數(shù)據(jù)類型dtype，將生成視圖而不是副本，并且更改原始對象和轉(zhuǎn)置對象之一的值將更改另一個視圖。

pandas.DataFrame.T

可以使用T屬性獲得轉(zhuǎn)置的pandas.DataFrame。

import pandas as pd

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
# ? ?X ?Y
# A ?0 ?3
# B ?1 ?4
# C ?2 ?5

print(df.T)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

pandas.DataFrame.transpose()

transpose（）方法類似。

print(df.transpose())
#    A  B  C
# X  0  1  2
# Y  3  4  5

修改原始對象本身

沒有像inplace這樣的參數(shù)可以修改原始對象本身。如果不想創(chuàng)建新對象，只需將其分配給原始對象本身即可。

df = df.T
print(df)
#    A  B  C
# X  0  1  2
# Y  3  4  5

當進行類型轉(zhuǎn)換（廣播）時

為pandas.DataFrame中的每一列設(shè)置數(shù)據(jù)類型dtype。

如果所有列都具有相同的數(shù)據(jù)類型，則即使通過T或transpose（）進行轉(zhuǎn)置，該數(shù)據(jù)類型也將保持相同。

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
# ? ?X ?Y
# A ?0 ?3
# B ?1 ?4
# C ?2 ?5

print(df.dtypes)
# X ? ?int64
# Y ? ?int64
# dtype: object

print(df.T)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

print(df.T.dtypes)
# A ? ?int64
# B ? ?int64
# C ? ?int64
# dtype: object

如果每一列都有不同的數(shù)據(jù)類型，則執(zhí)行類型轉(zhuǎn)換（廣播）。例如，如果作為轉(zhuǎn)置的結(jié)果生成了其中混合了整數(shù)int和浮點數(shù)float的列，則該列的數(shù)據(jù)類型變?yōu)閒loat。

df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C'])
print(df_mix)
# ? ?col_int ?col_float
# A ? ? ? ?0 ? ? ? ?0.1
# B ? ? ? ?1 ? ? ? ?0.2
# C ? ? ? ?2 ? ? ? ?0.3

print(df_mix.dtypes)
# col_int ? ? ? ?int64
# col_float ? ?float64
# dtype: object

print(df_mix.T)
# ? ? ? ? ? ? ?A ? ?B ? ?C
# col_int ? ?0.0 ?1.0 ?2.0
# col_float ?0.1 ?0.2 ?0.3

print(df_mix.T.dtypes)
# A ? ?float64
# B ? ?float64
# C ? ?float64
# dtype: object

即使再次轉(zhuǎn)置它也無法還原。需要應(yīng)用astype（）來轉(zhuǎn)換數(shù)據(jù)類型。

?
print(df_mix.T.T)
# ? ?col_int ?col_float
# A ? ? ?0.0 ? ? ? ?0.1
# B ? ? ?1.0 ? ? ? ?0.2
# C ? ? ?2.0 ? ? ? ?0.3

print(df_mix.T.T.dtypes)
# col_int ? ? ?float64
# col_float ? ?float64
# dtype: object

元素為字符串str的字符串是對象類型。

df_mix2 = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3], 'col_str': ['a', 'b', 'c']},
? ? ? ? ? ? ? ? ? ? ? ?index=['A', 'B', 'C'])
print(df_mix2)
# ? ?col_int ?col_float col_str
# A ? ? ? ?0 ? ? ? ?0.1 ? ? ? a
# B ? ? ? ?1 ? ? ? ?0.2 ? ? ? b
# C ? ? ? ?2 ? ? ? ?0.3 ? ? ? c

print(df_mix2.dtypes)
# col_int ? ? ? ?int64
# col_float ? ?float64
# col_str ? ? ? object
# dtype: object

print(df_mix2.T)
# ? ? ? ? ? ? ?A ? ?B ? ?C
# col_int ? ? ?0 ? ?1 ? ?2
# col_float ?0.1 ?0.2 ?0.3
# col_str ? ? ?a ? ?b ? ?c

print(df_mix2.T.dtypes)
# A ? ?object
# B ? ?object
# C ? ?object
# dtype: object

print(df_mix2.T.T)
# ? col_int col_float col_str
# A ? ? ? 0 ? ? ? 0.1 ? ? ? a
# B ? ? ? 1 ? ? ? 0.2 ? ? ? b
# C ? ? ? 2 ? ? ? 0.3 ? ? ? c

print(df_mix2.T.T.dtypes)
# col_int ? ? ?object
# col_float ? ?object
# col_str ? ? ?object
# dtype: object

視圖和復(fù)制

如果所有列都具有相同的數(shù)據(jù)類型，則T或transpose（）將返回視圖。

原始對象和視圖對象共享內(nèi)存，因此更改一個元素會更改另一個元素。

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
# ? ?X ?Y
# A ?0 ?3
# B ?1 ?4
# C ?2 ?5

df_T = df.T
print(df_T)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

df_transpose = df.transpose()
print(df_transpose)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

df.at['A', 'X'] = 100
print(df)
# ? ? ?X ?Y
# A ?100 ?3
# B ? ?1 ?4
# C ? ?2 ?5

print(df_T)
# ? ? ?A ?B ?C
# X ?100 ?1 ?2
# Y ? ?3 ?4 ?5

print(df_transpose)
# ? ? ?A ?B ?C
# X ?100 ?1 ?2
# Y ? ?3 ?4 ?5

如果每一列的數(shù)據(jù)類型dtype不同，則T或transpose（）將生成一個副本。轉(zhuǎn)置的對象保留一個新的存儲區(qū)，因此，如果更改一個的值，則另一個將保持不變。

df_mix = pd.DataFrame({'col_int': [0, 1, 2], 'col_float': [0.1, 0.2, 0.3]}, index=['A', 'B', 'C'])
print(df_mix)
# ? ?col_int ?col_float
# A ? ? ? ?0 ? ? ? ?0.1
# B ? ? ? ?1 ? ? ? ?0.2
# C ? ? ? ?2 ? ? ? ?0.3

df_mix_T = df_mix.T
print(df_mix_T)
# ? ? ? ? ? ? ?A ? ?B ? ?C
# col_int ? ?0.0 ?1.0 ?2.0
# col_float ?0.1 ?0.2 ?0.3

df_mix_transpose = df_mix.transpose()
print(df_mix_transpose)
# ? ? ? ? ? ? ?A ? ?B ? ?C
# col_int ? ?0.0 ?1.0 ?2.0
# col_float ?0.1 ?0.2 ?0.3

df_mix.at['A', 'col_int'] = 100
print(df_mix)
# ? ?col_int ?col_float
# A ? ? ?100 ? ? ? ?0.1
# B ? ? ? ?1 ? ? ? ?0.2
# C ? ? ? ?2 ? ? ? ?0.3

print(df_mix_T)
# ? ? ? ? ? ? ?A ? ?B ? ?C
# col_int ? ?0.0 ?1.0 ?2.0
# col_float ?0.1 ?0.2 ?0.3

print(df_mix_transpose)
# ? ? ? ? ? ? ?A ? ?B ? ?C
# col_int ? ?0.0 ?1.0 ?2.0
# col_float ?0.1 ?0.2 ?0.3

如果僅在后續(xù)過程中使用轉(zhuǎn)置的轉(zhuǎn)置，則不必擔心。以顯式創(chuàng)建副本。在transpose（）中，當參數(shù)copy設(shè)置為True時，將生成一個副本。

df = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
# ? ?X ?Y
# A ?0 ?3
# B ?1 ?4
# C ?2 ?5

df_T_copy = df.T.copy()
print(df_T_copy)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

df_transpose_copy = df.transpose(copy=True)
print(df_transpose_copy)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

df.at['A', 'X'] = 100
print(df)
# ? ? ?X ?Y
# A ?100 ?3
# B ? ?1 ?4
# C ? ?2 ?5

print(df_T_copy)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

print(df_transpose_copy)
# ? ?A ?B ?C
# X ?0 ?1 ?2
# Y ?3 ?4 ?5

transpose（）的參數(shù)副本默認為False，如果可能，則生成視圖而不是副本。如上例所示，當每列的數(shù)據(jù)類型dtype不同時，即使它是默認值（copy = False），也會生成一個副本。不一定是視圖。

到此這篇關(guān)于Pandas.DataFrame行和列的轉(zhuǎn)置的實現(xiàn)的文章就介紹到這了,更多相關(guān)Pandas.DataFrame行列轉(zhuǎn)置內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: