Aby ułatwić analizę danych w tabeli, możemy przekształcić dane w formę bardziej przyjazną komputerowi, używając Pand w Pythonie. Pandas.melt() jest jedną z funkcji umożliwiających wykonanie tego zadania. Pandas.melt() cofa ramkę DataFrame z formatu szerokiego do formatu długiego.

Pandy topnieją() Funkcja jest przydatna do wmasowania ramki DataFrame do formatu, w którym co najmniej jedna kolumna jest zmiennym identyfikatorem, podczas gdy wszystkie inne kolumny, uważane za zmienne mierzone, nie są obracane względem osi wiersza, pozostawiając tylko dwie kolumny nieidentyfikatorowe, zmienną i wartość.

Składnia funkcji Pandas.melt() w Pythonie

Składnia: pandas.melt(frame, id_vars=Brak, value_vars=Brak,

var_name=Brak, value_name=’wartość’, col_level=Brak)

Parametry:

• rama : Ramka danych
• id_vars[krotka, lista lub ndarray, opcjonalnie] : Kolumny do użycia jako zmienne identyfikatora.
• value_vars[krotka, lista lub ndarray, opcjonalnie]: Kolumny do cofnięcia obrotu. Jeśli nie określono, używa wszystkich kolumn, które nie są ustawione jako id_vars.
• nazwa_zmiennej[skalar]: Nazwa, która będzie używana w kolumnie „zmienna”. Jeśli Brak, używa nazwy ramki.kolumn.lub „zmiennej”.
• nazwa_wartości[skalar, domyślna „wartość”]: Nazwa, która będzie używana w kolumnie „wartość”.
• col_level[int lub string, opcjonalnie]: Jeśli kolumny są MultiIndexem, użyj tego poziomu do stopienia.

Tworzenie przykładowej ramki danych

Tutaj stworzyliśmy przykładową ramkę DataFrame, której użyjemy w tym artykule.

Python3

# importing pandas as pd> import> pandas as pd> # creating a dataframe> df> => pd.DataFrame({> 'Name'> : {> 0> :> 'John'> ,> 1> :> 'Bob'> ,> 2> :> 'Shiela'> },> > 'Course'> : {> 0> :> 'Masters'> ,> 1> :> 'Graduate'> ,> 2> :> 'Graduate'> },> > 'Age'> : {> 0> :> 27> ,> 1> :> 23> ,> 2> :> 21> }})> df>

Melt () wykonaj w przykładzie Pandy

Poniżej znajduje się przykład wykorzystania funkcji Melt() Pandy na różne sposoby Pandy :

Przykład 1: Pandy Melt() Przykład

W tym przykładzie pd.melt> Funkcja służy do cofnięcia obrotu kolumny „Kurs”, zachowując „Nazwę” jako zmienną identyfikacyjną. Powstała DataFrame ma trzy kolumny: „Nazwa”, „zmienna” (zawierająca nazwę kolumny „Kurs”) i „wartość” (zawierająca odpowiednie wartości z kolumny „Kurs”).

Python3

# Name is id_vars and Course is value_vars> pd.melt(df, id_vars> => [> 'Name'> ], value_vars> => [> 'Course'> ])>

Wyjście:

 Name variable value 0 John Course Masters 1 Bob Course Graduate 2 Shiela Course Graduate 

Przykład 2: Użycie id_vars i value_vars do metody Melt() ramki danych Pandas

W tym przykładzie pd.melt> Funkcja służy do cofania obrotu kolumn „Kurs” i „Wiek”, używając „Nazwy” jako zmiennej identyfikacyjnej.

Python3

# multiple unpivot columns> pd.melt(df, id_vars> => [> 'Name'> ], value_vars> => [> 'Course'> ,> 'Age'> ])>

Wyjście:

 Name variable value 0 John Course Masters 1 Bob Course Graduate 2 Shiela Course Graduate 3 John Age 27 4 Bob Age 23 5 Shiela Age 21 

Przykład 3: Używanie nazw_zmiennych i nazw_wartości do metody Melt() ramki danych Pandas

W tym przykładzie pd.melt> funkcja jest używana w przypadku niestandardowych nazw kolumn. Kolumna „Kurs” nie jest przestawiana, ale zachowuje „Nazwę” jako identyfikator. Powstała ramka DataFrame zawiera kolumny „Name”, „ChangedVarname” (w przypadku połączonej nazwy kolumny ustawionej na „Course”) i „ChangedValname” (zawierające odpowiednie wartości z kolumny „Course”).

Python3

# Names of ‘variable’ and ‘value’ columns can be customized> pd.melt(df, id_vars> => [> 'Name'> ], value_vars> => [> 'Course'> ],> > var_name> => 'ChangedVarname'> , value_name> => 'ChangedValname'> )>

Wyjście:

 Name ChangedVarname ChangedValname 0 John Course Masters 1 Bob Course Graduate 2 Shiela Course Graduate 

Przykład 4: Używanie ignorowania indeksu z funkcją Pandas.melt().

W tym przykładzie pd.melt> Funkcja jest stosowana do cofania obrotu kolumn „Kurs” i „Wiek”, używając „Nazwy” jako zmiennej identyfikacyjnej. Oryginalny indeks jest ignorowany ze względu na ignore_index=True> parametr.

Python3

# multiple unpivot columns with ignore_index> result> => pd.melt(df, id_vars> => [> 'Name'> ], value_vars> => [> 'Course'> ,> 'Age'> ], ignore_index> => True> )> print> (result)>

Wyjście:

 Name variable value 0 John Course Masters 1 Bob Course Graduate 2 Shiela Course Graduate 3 John Age 27 4 Bob Age 23 5 Shiela Age 21