pandy konwertują niektóre kolumny na wiersze

Question 1

Więc mój zbiór danych zawiera pewne informacje według lokalizacji dla n dat. Problem polega na tym, że każda data jest w rzeczywistości innym nagłówkiem kolumny. Na przykład CSV wygląda jak

location    name    Jan-2010    Feb-2010    March-2010
A           "test"  12          20          30
B           "foo"   18          20          25

Chciałbym, żeby to wyglądało

location    name    Date        Value
A           "test"  Jan-2010    12       
A           "test"  Feb-2010    20
A           "test"  March-2010  30
B           "foo"   Jan-2010    18       
B           "foo"   Feb-2010    20
B           "foo"   March-2010  25

problem w tym, że nie wiem, ile dat jest w kolumnie (chociaż wiem, że zawsze będą zaczynać się po imieniu)

Question 2

UPDATE
Od v0.20 meltto funkcja pierwszego rzędu, której możesz teraz używać

df.melt(id_vars=["location", "name"], 
        var_name="Date", 
        value_name="Value")

  location    name        Date  Value
0        A  "test"    Jan-2010     12
1        B   "foo"    Jan-2010     18
2        A  "test"    Feb-2010     20
3        B   "foo"    Feb-2010     20
4        A  "test"  March-2010     30
5        B   "foo"  March-2010     25

STARE (ER) WERSJE: <0,20

Możesz użyć, pd.meltaby uzyskać większość drogi, a następnie posortować:

>>> df
  location  name  Jan-2010  Feb-2010  March-2010
0        A  test        12        20          30
1        B   foo        18        20          25
>>> df2 = pd.melt(df, id_vars=["location", "name"], 
                  var_name="Date", value_name="Value")
>>> df2
  location  name        Date  Value
0        A  test    Jan-2010     12
1        B   foo    Jan-2010     18
2        A  test    Feb-2010     20
3        B   foo    Feb-2010     20
4        A  test  March-2010     30
5        B   foo  March-2010     25
>>> df2 = df2.sort(["location", "name"])
>>> df2
  location  name        Date  Value
0        A  test    Jan-2010     12
2        A  test    Feb-2010     20
4        A  test  March-2010     30
1        B   foo    Jan-2010     18
3        B   foo    Feb-2010     20
5        B   foo  March-2010     25

(Może chcesz dorzucić .reset_index(drop=True), tylko po to, aby wydruk był czysty.)

Uwaga : pd.DataFrame.sort został wycofany na korzyść pd.DataFrame.sort_values.

Question 3

Użyj set_indexz stackfor MultiIndex Series, a następnie DataFramedodaj reset_indexz rename:

df1 = (df.set_index(["location", "name"])
         .stack()
         .reset_index(name='Value')
         .rename(columns={'level_2':'Date'}))
print (df1)
  location  name        Date  Value
0        A  test    Jan-2010     12
1        A  test    Feb-2010     20
2        A  test  March-2010     30
3        B   foo    Jan-2010     18
4        B   foo    Feb-2010     20
5        B   foo  March-2010     25

Question 4

Chyba znalazłem prostsze rozwiązanie

temp1 = pd.melt(df1, id_vars=["location"], var_name='Date', value_name='Value')
temp2 = pd.melt(df1, id_vars=["name"], var_name='Date', value_name='Value')

Połącz całość temp1z temp2kolumnąname

temp1['new_column'] = temp2['name']

Masz teraz to, o co prosiłeś.

Question 5

`pd.wide_to_long`

Możesz dodać prefiks do kolumn roku, a następnie przesyłać bezpośrednio do pd.wide_to_long. Nie będę udawać, że jest to wydajne , ale w pewnych sytuacjach może być wygodniejsze niż pd.meltnp. Gdy Twoje kolumny mają już odpowiedni prefiks.

df.columns = np.hstack((df.columns[:2], df.columns[2:].map(lambda x: f'Value{x}')))

res = pd.wide_to_long(df, stubnames=['Value'], i='name', j='Date').reset_index()\
        .sort_values(['location', 'name'])

print(res)

   name        Date location  Value
0  test    Jan-2010        A     12
2  test    Feb-2010        A     20
4  test  March-2010        A     30
1   foo    Jan-2010        B     18
3   foo    Feb-2010        B     20
5   foo  March-2010        B     25