Abychom usnadnili analýzu dat v tabulce, můžeme data přetvořit do počítačově přívětivější podoby pomocí Pandas v Pythonu. Pandas.melt() je jednou z funkcí, jak toho dosáhnout. Pandas.melt() uvolní datový rámec z širokého formátu na dlouhý.
had python vs anakonda
Pandy se rozplývají () Funkce je užitečná k namasírování DataFrame do formátu, kde jeden nebo více sloupců jsou proměnné identifikátoru, zatímco všechny ostatní sloupce, považované za měřené proměnné, nejsou otočeny k ose řádku, takže zbývají pouze dva sloupce bez identifikátoru, proměnná a hodnota.
Syntaxe funkce Python Pandas.melt().
Syntax: pandas.melt(frame, id_vars=Žádné, value_vars=Žádné,
var_name=None, value_name=’value’, col_level=None)
Parametry:
- rám: DataFrame
- id_vars[n-tice, seznam nebo ndarray, volitelné] : Sloupce, které se mají použít jako proměnné identifikátoru.
- value_vars[n-tice, seznam nebo ndarray, volitelné]: Sloupce, které chcete uvolnit. Pokud není zadán, použije všechny sloupce, které nejsou nastaveny jako id_vars.
- var_name[skalární]: Název, který se má použít pro sloupec „proměnná“. Pokud je Žádná, použije frame.columns.name nebo ‚proměnná‘.
- název_hodnoty[skalární, výchozí ‚hodnota‘]: Název, který se má použít pro sloupec „hodnota“.
- col_level[int nebo řetězec, volitelné]: Pokud jsou sloupce MultiIndex, použijte tuto úroveň k roztavení.
Vytvoření ukázkového datového rámce
Zde jsme vytvořili ukázkový DataFrame, který použijeme v tomto článku.
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 () dělat v Pandas Příklad
Níže je uveden příklad, jak můžeme různými způsoby používat funkci Pandas melt() v pandy :
Příklad 1: Pandas melt() Příklad
V tomto příkladu jepd.melt>Funkce se používá k odklopení sloupce „Kurz“ při zachování „Název“ jako proměnné identifikátoru. Výsledný DataFrame má tři sloupce: ‚Name‘, ‚variable‘ (obsahující název sloupce ‚Course‘) a ‚value‘ (obsahující odpovídající hodnoty ze sloupce ‚Course‘).
Python3
# Name is id_vars and Course is value_vars> pd.melt(df, id_vars>=>[>'Name'>], value_vars>=>[>'Course'>])> |
>
>
Výstup:
Name variable value 0 John Course Masters 1 Bob Course Graduate 2 Shiela Course Graduate>
Příklad 2: Použití id_vars a value_vars k melt() Pandas DataFrame
V tomto příkladu jepd.melt>Funkce se používá k odklopení sloupců „Kurz“ a „Věk“ při použití „Jméno“ jako proměnné identifikátoru.
Python3
# multiple unpivot columns> pd.melt(df, id_vars>=>[>'Name'>], value_vars>=>[>'Course'>,>'Age'>])> |
>
tučné písmo v css
>
Výstup:
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>
Příklad 3: Použití var_name a value_name k melt() Pandas DataFrame
V tomto příkladu jepd.melt>funkce se používá s přizpůsobenými názvy sloupců. Sloupec ‚Kurz‘ je neotočný, zatímco jako identifikátor je zachován ‚Název‘. Výsledný DataFrame má sloupce ‚Name‘, ‚ChangedVarname‘ (pro název roztaveného sloupce nastaven na ‚Course‘) a ‚ChangedValname‘ (obsahující odpovídající hodnoty ze sloupce ‚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'>)> |
>
>
Výstup:
Name ChangedVarname ChangedValname 0 John Course Masters 1 Bob Course Graduate 2 Shiela Course Graduate>
Příklad 4: Použití ignore_index s funkcí Pandas.melt().
V tomto příkladu jepd.melt>Funkce se použije k odklopení sloupců „Kurz“ a „Věk“ při použití „Jméno“ jako proměnné identifikátoru. Původní index je ignorován z důvoduignore_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)> |
vodoznak ve wordu
>
>
Výstup:
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>