Pandas.DataFrame行和列如何轉(zhuǎn)置

本篇內(nèi)容主要講解“Pandas.DataFrame行和列如何轉(zhuǎn)置”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“Pandas.DataFrame行和列如何轉(zhuǎn)置”吧!

如果要交換（轉(zhuǎn)置）pandas.DataFrame的行和列，使用T屬性或transpose（）方法。

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(dāng)進(jìn)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(jìn)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(diǎn)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?fù)?dān)心。以顯式創(chuàng)建副本。在transpose（）中，當(dāng)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(rèn)為False，如果可能，則生成視圖而不是副本。如上例所示，當(dāng)每列的數(shù)據(jù)類型dtype不同時，即使它是默認(rèn)值（copy = False），也會生成一個副本。不一定是視圖。

到此，相信大家對“Pandas.DataFrame行和列如何轉(zhuǎn)置”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！