超经典的Pandas “行列” 转换教程！

点击上图，查看教学大纲

鉴于一直以来，总有人在群里面或者私下问，Python行转列、列转行的问题。基于此，我这里写一篇较全的文章，分享给大家。

为了给大家更加细致的讲述本文，我这里给大家造一些详细的数据。本文看完即学会，黄同学保证的。

列转行

首先我们看一下“列转行”的问题。这里我们利用pandas构造了这样一份数据。

df = pd.DataFrame({ "语文":[ 2, 4],

"数学":[ 6, 8]})

df.index = [ "张三", "李四"]

df

结果如下：

从表中可以看到：语文、数学都在列上面，我们如何将这些列转为行呢？这里有两种方式：

① stack方法

df1 = df.stack.reset_index

df1.columns = [ "姓名", "科目", "成绩"]

df1

结果如下：

② melt方法

由于这个函数参数多一些，我这里给大家先讲一下语法。

id_vars：列转行，不变的那一列；

value_vars：列转行，需要变动的那些列的列名；

var_name：列转为行后，新表的列名；

value_name：列转为行后，新表的值那一列的列明；

id_vars：列转行，不变的那一列；

value_vars：列转行，需要变动的那些列的列名；

var_name：列转为行后，新表的列名；

value_name：列转为行后，新表的值那一列的列明；

首先，我们再看看原来的数据长啥样。

接着，我们进行reset_index操作后，再看看数据长啥样。

我们就是要利用这个数据，完成最终的操作。

df2 = df2.melt(id_vars= 'index',value_vars=[ '语文', '数学'],var_name= "科目",value_name= "成绩")

df2.rename(columns={ "index": "姓名"},inplace= True)

df2

结果如下：

行专列

“行专列”这个需求，大家应该都见过。因为我们只要是用过数据透视表的同学，应该都知道这个需求。

我们在为大家构造一份数据，接着看。

df = pd.DataFrame({ "姓名":[ "张三", "李四", "张三", "李四"],

"科目":[ "语文", "语文", "数学", "数学"],

"成绩":[ 2, 4, 6, 8]})

df

结果如下：

在pandas中，我们使用pivot_table函数，来完成“行转列”的需求。在写代码之前，我先为大家讲解一下这个函数。

pd.pivot_table(data,index= None,columns= None,

values= None,aggfunc= 'mean',

margins= False,margins_name= 'All',

dropna= True,fill_value= None)

其中：

data：相当于Excel中的"选中数据源"；

index：相当于上述"数据透视表字段"中的行；

columns：相当于上述"数据透视表字段"中的列；

values：相当于上述"数据透视表字段"中的值；

aggfunc：相当于上述"结果"中的计算类型；

margins：相当于上述"结果"中的总计；

margins_name：相当于修改"总计"名，为其它名称；

data：相当于Excel中的"选中数据源"；

index：相当于上述"数据透视表字段"中的行；

columns：相当于上述"数据透视表字段"中的列；

values：相当于上述"数据透视表字段"中的值；

aggfunc：相当于上述"结果"中的计算类型；

margins：相当于上述"结果"中的总计；

margins_name：相当于修改"总计"名，为其它名称；

对应到Excel中，大致如下图：

知道基础后，那么如何完成本文的需求呢？

df1 = pd.pivot_table(df,index = '姓名',columns= '科目',values= '成绩')

df1

# ------------------------------

df1.columns.name = None

df1.index.name = None

df1

结果如下：

今天的内容大致就到这里，你学会了吗？如果还是有点模糊，可能还是函数参数太多导致的，大家下去仔细研究一下函数，即可！

配套视频演示