Pandas中Melt的反操作：pivot_table和unstack的使用详解|极客笔记

Pandas中Melt的反操作：pivot_table和unstack的使用详解

在数据处理中，经常需要对数据集进行重塑，以便更好地分析和理解数据。Pandas库提供了多种工具来帮助进行这种数据转换。其中，melt函数可以将数据从宽格式转换为长格式，而本文将重点介绍其反操作，即如何使用pivot_table和unstack函数将数据从长格式转换回宽格式。

1. pivot_table函数的基本使用

pivot_table函数可以非常灵活地对数据进行重塑和汇总。它允许你指定某些原始数据列作为新的表头，从而将数据从长格式转换为宽格式。

示例代码1：基本的pivot_table使用

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],
    'Category': ['A', 'B', 'A', 'B'],
    'Value': [100, 200, 150, 250]
}
df = pd.DataFrame(data)

pivot_df = df.pivot_table(values='Value', index='Date', columns='Category', aggfunc='sum')
print(pivot_df)

Output:

Pandas中Melt的反操作：pivot_table和unstack的使用详解

示例代码2：使用多个聚合函数

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],
    'Category': ['A', 'B', 'A', 'B'],
    'Value': [100, 200, 150, 250]
}
df = pd.DataFrame(data)

pivot_df = df.pivot_table(values='Value', index='Date', columns='Category', aggfunc=[sum, min])
print(pivot_df)

示例代码3：处理缺失值

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-03'],
    'Category': ['A', 'B', 'A'],
    'Value': [100, 200, 150]
}
df = pd.DataFrame(data)

pivot_df = df.pivot_table(values='Value', index='Date', columns='Category', aggfunc='sum', fill_value=0)
print(pivot_df)

Output:

Pandas中Melt的反操作：pivot_table和unstack的使用详解

2. unstack函数的使用

unstack函数是另一种将数据从长格式转换为宽格式的方法。它通常用于多级索引的情况，可以将某个级别的索引转换为列。

示例代码4：基本的unstack使用

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],
    'Category': ['A', 'B', 'A', 'B'],
    'Value': [100, 200, 150, 250]
}
df = pd.DataFrame(data)
df.set_index(['Date', 'Category'], inplace=True)

unstacked_df = df.unstack()
print(unstacked_df)

Output:

Pandas中Melt的反操作：pivot_table和unstack的使用详解

示例代码5：选择unstack的级别

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],
    'Category': ['A', 'B', 'A', 'B'],
    'Value': [100, 200, 150, 250]
}
df = pd.DataFrame(data)
df.set_index(['Date', 'Category'], inplace=True)

unstacked_df = df.unstack(level='Category')
print(unstacked_df)

Output:

Pandas中Melt的反操作：pivot_table和unstack的使用详解

示例代码6：使用fill_value处理缺失值

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-03'],
    'Category': ['A', 'B', 'A'],
    'Value': [100, 200, 150]
}
df = pd.DataFrame(data)
df.set_index(['Date', 'Category'], inplace=True)

unstacked_df = df.unstack(fill_value=0)
print(unstacked_df)

Output:

Pandas中Melt的反操作：pivot_table和unstack的使用详解

3. pivot_table与unstack的比较

虽然pivot_table和unstack都可以用来将数据从长格式转换为宽格式，但它们在使用上有所不同。pivot_table更适合于复杂的数据聚合任务，而unstack则更适合处理具有多级索引的数据框架。

示例代码7：pivot_table与unstack在同一数据集上的应用比较

import pandas as pd

data = {
    'Date': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],
    'Category': ['A', 'B', 'A', 'B'],
    'Value': [100, 200, 150, 250]
}
df = pd.DataFrame(data)
df.set_index(['Date', 'Category'], inplace=True)

pivot_df = df.reset_index().pivot_table(values='Value', index='Date', columns='Category', aggfunc='sum')
unstacked_df = df.unstack()

print("Pivot Table:")
print(pivot_df)
print("\nUnstacked DataFrame:")
print(unstacked_df)

Output:

Pandas中Melt的反操作：pivot_table和unstack的使用详解