我有一个Pandas数据框，数据格式非常宽......例如：
ID Equipment Function Task exprt_cond1_time exprt_cond2_time exprt_cond1_freq exprt_cond2_freq novce_cond1_time novce_cond2_time novce_cond1_freq novce_cond2_freq
0 eq_type_1 Fxn_a task_1 12 24 0.031 0.055 15 31 0.042 0.059
1 eq_type_1 Fxn_a task_2 10 22 0.028 0.052 12 29 0.039 0.055
2 eq_type_1 Fxn_b task_3 13 25 0.033 0.057 18 34 0.047 0.062
3 eq_type_1 Fxn_b task_4 9 19 0.027 0.051 10 28 0.038 0.054
4 eq_type_2 Fxn_a task_1 14 27 0.036 0.056 16 32 0.043 0.061
5 eq_type_2 Fxn_a task_2 11 26 0.030 0.054 14 30 0.041 0.058
但我希望使用列标签中的文本将其转换为更整齐的长格式以创建新列...例如，来自上面的第一行和最后一行的数据可能看起来更像这样：< / p>
ID Equipment Function Task Experience Condition Time Freq
0 eq_type_1 Fxn_a task_1 expert cond1 12 0.031
1 eq_type_1 Fxn_a task_1 expert cond2 24 0.055
2 eq_type_1 Fxn_a task_1 novice cond1 15 0.042
3 eq_type_1 Fxn_a task_1 novice cond2 31 0.059
...
16 eq_type_2 Fxn_a task_2 expert cond1 11 0.030
17 eq_type_2 Fxn_a task_2 expert cond2 26 0.054
18 eq_type_2 Fxn_a task_2 novice cond1 14 0.041
19 eq_type_2 Fxn_a task_2 novice cond2 30 0.058
我无法弄清楚融合/叠加/重塑/ MultiIndex或其他翻译功能的正确组合，以使这种情况有效发生，或者我的代码变得丑陋，笨拙，和几乎不可读。 This question和this question很接近并帮助我一些，但它们似乎只根据标签中的单个属性进行转换。非常喜欢SO社区的任何帮助或提示！
答案 0 :(得分：7)
让我们尝试pd.wide_to_long两次使用一些列重命名使其成为可能：
rename_d = {'exprt_cond1_time':'Time_exprt_cond1',
'exprt_cond2_time':'Time_exprt_cond2',
'exprt_cond1_freq':'Freq_exprt_cond1',
'exprt_cond2_freq':'Freq_exprt_cond2',
'novce_cond1_time':'Time_novce_cond1',
'novce_cond2_time':'Time_novce_cond2',
'novce_cond1_freq':'Freq_novce_cond1',
'novce_cond2_freq':'Freq_novce_cond2'}
f = df.rename(columns=rename_d)
df1 = pd.wide_to_long(df, ['Time_exprt','Freq_exprt','Time_novce','Freq_novce'],i=['Equipment','Function','Task'],j='Condition',sep='_',suffix='.')
df1 = df1.reset_index()
df_out = pd.wide_to_long(df1,['Time','Freq'],i=['Equipment','Function','Task','Condition'],j='Experience',sep='_',suffix='').reset_index().drop('ID',axis=1)
输出：
Equipment Function Task Condition Experience Time Freq
0 eq_type_1 Fxn_a task_1 cond1 exprt 12 0.031
1 eq_type_1 Fxn_a task_1 cond1 novce 15 0.042
2 eq_type_1 Fxn_a task_1 cond2 exprt 24 0.055
3 eq_type_1 Fxn_a task_1 cond2 novce 31 0.059
4 eq_type_1 Fxn_a task_2 cond1 exprt 10 0.028
5 eq_type_1 Fxn_a task_2 cond1 novce 12 0.039
6 eq_type_1 Fxn_a task_2 cond2 exprt 22 0.052
7 eq_type_1 Fxn_a task_2 cond2 novce 29 0.055
8 eq_type_1 Fxn_b task_3 cond1 exprt 13 0.033
9 eq_type_1 Fxn_b task_3 cond1 novce 18 0.047
10 eq_type_1 Fxn_b task_3 cond2 exprt 25 0.057
11 eq_type_1 Fxn_b task_3 cond2 novce 34 0.062
12 eq_type_1 Fxn_b task_4 cond1 exprt 9 0.027
13 eq_type_1 Fxn_b task_4 cond1 novce 10 0.038
14 eq_type_1 Fxn_b task_4 cond2 exprt 19 0.051
15 eq_type_1 Fxn_b task_4 cond2 novce 28 0.054
16 eq_type_2 Fxn_a task_1 cond1 exprt 14 0.036
17 eq_type_2 Fxn_a task_1 cond1 novce 16 0.043
18 eq_type_2 Fxn_a task_1 cond2 exprt 27 0.056
19 eq_type_2 Fxn_a task_1 cond2 novce 32 0.061
20 eq_type_2 Fxn_a task_2 cond1 exprt 11 0.030
21 eq_type_2 Fxn_a task_2 cond1 novce 14 0.041
22 eq_type_2 Fxn_a task_2 cond2 exprt 26 0.054
23 eq_type_2 Fxn_a task_2 cond2 novce 30 0.058
pd.wide_to_long处理熊猫中的“同时融化”。首先，我们需要重命名这些列以使pd.wide_to_long中的stubnames工作。
答案 1 :(得分：2)
这是我的尝试 - 我只尝试使用pd.wide_to_long一次：
import re
cols = ['Equipment', 'Function', 'Task']
renamer = lambda c: re.sub(r'([^_]*)_(cond\d+)_(time|freq)', r'\3_\1_\2', c)
r = pd.wide_to_long(df.drop('ID',1).rename(columns=renamer),
stubnames=['time','freq'], i=cols, j='Measures',
sep='_',suffix='(?:exprt|novce)_cond\d+') \
.reset_index()
r[['Experience','Condition']] = r.pop('Measures').str.split('_', expand=True)
结果：
In [192]: r
Out[192]:
Equipment Function Task time freq Experience Condition
0 eq_type_1 Fxn_a task_1 12 0.031 exprt cond1
1 eq_type_1 Fxn_a task_1 24 0.055 exprt cond2
2 eq_type_1 Fxn_a task_1 15 0.042 novce cond1
3 eq_type_1 Fxn_a task_1 31 0.059 novce cond2
4 eq_type_1 Fxn_a task_2 10 0.028 exprt cond1
5 eq_type_1 Fxn_a task_2 22 0.052 exprt cond2
6 eq_type_1 Fxn_a task_2 12 0.039 novce cond1
7 eq_type_1 Fxn_a task_2 29 0.055 novce cond2
8 eq_type_1 Fxn_b task_3 13 0.033 exprt cond1
9 eq_type_1 Fxn_b task_3 25 0.057 exprt cond2
10 eq_type_1 Fxn_b task_3 18 0.047 novce cond1
11 eq_type_1 Fxn_b task_3 34 0.062 novce cond2
12 eq_type_1 Fxn_b task_4 9 0.027 exprt cond1
13 eq_type_1 Fxn_b task_4 19 0.051 exprt cond2
14 eq_type_1 Fxn_b task_4 10 0.038 novce cond1
15 eq_type_1 Fxn_b task_4 28 0.054 novce cond2
16 eq_type_2 Fxn_a task_1 14 0.036 exprt cond1
17 eq_type_2 Fxn_a task_1 27 0.056 exprt cond2
18 eq_type_2 Fxn_a task_1 16 0.043 novce cond1
19 eq_type_2 Fxn_a task_1 32 0.061 novce cond2
20 eq_type_2 Fxn_a task_2 11 0.030 exprt cond1
21 eq_type_2 Fxn_a task_2 26 0.054 exprt cond2
22 eq_type_2 Fxn_a task_2 14 0.041 novce cond1
23 eq_type_2 Fxn_a task_2 30 0.058 novce cond2
说明：
In [198]: df.drop('ID',1).rename(columns=renamer)
Out[198]:
Equipment Function Task time_exprt_cond1 time_exprt_cond2 freq_exprt_cond1 freq_exprt_cond2 time_novce_cond1 \
0 eq_type_1 Fxn_a task_1 12 24 0.031 0.055 15
1 eq_type_1 Fxn_a task_2 10 22 0.028 0.052 12
2 eq_type_1 Fxn_b task_3 13 25 0.033 0.057 18
3 eq_type_1 Fxn_b task_4 9 19 0.027 0.051 10
4 eq_type_2 Fxn_a task_1 14 27 0.036 0.056 16
5 eq_type_2 Fxn_a task_2 11 26 0.030 0.054 14
time_novce_cond2 freq_novce_cond1 freq_novce_cond2
0 31 0.042 0.059
1 29 0.039 0.055
2 34 0.047 0.062
3 28 0.038 0.054
4 32 0.043 0.061
5 30 0.041 0.058
In [199]: pd.wide_to_long(df.drop('ID',1).rename(columns=renamer),
...: stubnames=['time','freq'], i=cols,j='Measures',
...: sep='_',suffix='(?:exprt|novce)_cond\d+') \
...: .reset_index()
...:
Out[199]:
Equipment Function Task Measures time freq
0 eq_type_1 Fxn_a task_1 exprt_cond1 12 0.031
1 eq_type_1 Fxn_a task_1 exprt_cond2 24 0.055
2 eq_type_1 Fxn_a task_1 novce_cond1 15 0.042
3 eq_type_1 Fxn_a task_1 novce_cond2 31 0.059
4 eq_type_1 Fxn_a task_2 exprt_cond1 10 0.028
5 eq_type_1 Fxn_a task_2 exprt_cond2 22 0.052
6 eq_type_1 Fxn_a task_2 novce_cond1 12 0.039
7 eq_type_1 Fxn_a task_2 novce_cond2 29 0.055
8 eq_type_1 Fxn_b task_3 exprt_cond1 13 0.033
9 eq_type_1 Fxn_b task_3 exprt_cond2 25 0.057
10 eq_type_1 Fxn_b task_3 novce_cond1 18 0.047
11 eq_type_1 Fxn_b task_3 novce_cond2 34 0.062
12 eq_type_1 Fxn_b task_4 exprt_cond1 9 0.027
13 eq_type_1 Fxn_b task_4 exprt_cond2 19 0.051
14 eq_type_1 Fxn_b task_4 novce_cond1 10 0.038
15 eq_type_1 Fxn_b task_4 novce_cond2 28 0.054
16 eq_type_2 Fxn_a task_1 exprt_cond1 14 0.036
17 eq_type_2 Fxn_a task_1 exprt_cond2 27 0.056
18 eq_type_2 Fxn_a task_1 novce_cond1 16 0.043
19 eq_type_2 Fxn_a task_1 novce_cond2 32 0.061
20 eq_type_2 Fxn_a task_2 exprt_cond1 11 0.030
21 eq_type_2 Fxn_a task_2 exprt_cond2 26 0.054
22 eq_type_2 Fxn_a task_2 novce_cond1 14 0.041
23 eq_type_2 Fxn_a task_2 novce_cond2 30 0.058