熊猫，堆叠一些列，堆叠其他列

Question

熊猫整齐的数据，从一列中分散变量，从另一列中收集

我的问题

我需要将下面的数据框转换为tidy格式，其中每一行都是唯一的['GEOG_CODE','COUNTRY']-'YEAR'配对，并且有两个变量，分别由{{1 }}。

使用Hadley Wickham的tidy data表示法：

• 观测是由“位置时间”配对定义的。
• 变量由列Group1
定义
• 值当前存储在Group1列中的不同年份。

在R中，我想：

• ['2016' '2017' '2018']列gather中的值。
• ['2016' '2017' '2018']中来自spread的值。
• 请参阅Garrett Grolemund's explanation here

对于我的问题：

• 位置由Group1定义。
在['GEOG_CODE','COUNTRY']列中定义了
• 值在不同时间。
• 变量由['2016' '2017' '2018']或Group1 == A定义。

我希望每一行都具有两个位置变量，作为位置时间对。一个用于Group1 == B，一个用于Group1 = A

我有这个

Group1 = B

我想要这个

所以我希望输出看起来像下面的数据框，其中包含toy_data = { 'GEOG_CODE':['123','234','567','901'], 'COUNTRY':['England' for _ in range(4)], 'Group1':['A','A','B','B'], '2016':np.arange(0,4), '2017':np.arange(0,4), '2018':np.arange(0,4), } in_df = pd.DataFrame(toy_data) in_df Out[]: GEOG_CODE COUNTRY Group1 2016 2017 2018 0 123 England A 0 0 0 1 234 England A 1 1 1 2 567 England B 2 2 2 3 901 England B 3 3 3

中每个值的列

'Group1'

我尝试了outcome_data = { 'GEOG_CODE': np.tile(['123','234','567','901'],3), 'COUNTRY':['England' for _ in range(4*3)], 'year':np.tile([2016,2017,2018],4), 'low_A':np.tile(np.arange(0,4),3), 'low_B':np.tile(np.arange(0,4),3), } out = pd.DataFrame(outcome_data) out Out[]: GEOG_CODE COUNTRY year low_A low_B 0 123 England 2016 0 0 1 234 England 2017 1 1 2 567 England 2018 2 2 3 901 England 2016 3 3 4 123 England 2017 0 0 5 234 England 2018 1 1 6 567 England 2016 2 2 7 901 England 2017 3 3 8 123 England 2018 0 0 9 234 England 2016 1 1 10 567 England 2017 2 2 11 901 England 2018 3 3

我通过使用合并功能设法获得了一半的数据，但是后来我不知道如何将组变成行。

df.melt()

Answer 1

也许您正在寻找stack而不是melt：

(df.set_index(['GEOG_CODE', 'COUNTRY', 'Group1'])
   .stack()
   .unstack(-2)
   .ffill(axis=1)
   .bfill(axis=1, downcast='infer')
   .add_prefix('low_')
   .reset_index()
   .rename({'level_2': 'year'}, axis=1))

Group1 GEOG_CODE  COUNTRY  year  low_A  low_B
0            123  England  2016      0      0
1            123  England  2017      0      0
2            123  England  2018      0      0
3            234  England  2016      1      1
4            234  England  2017      1      1
5            234  England  2018      1      1
6            567  England  2016      2      2
7            567  England  2017      2      2
8            567  England  2018      2      2
9            901  England  2016      3      3
10           901  England  2017      3      3
11           901  England  2018      3      3