卓越飞翔博客
在 pandas 标签上，我经常看到用户询问有关在 pandas 中融化数据帧的问题。我将尝试针对这个主题进行规范的问答（自我回答）。
我要澄清：
-
什么是熔化？
-
如何使用melt？
-
什么时候使用melt？
我看到一些有关融化的热门问题，例如：
-
使用 pandas 将列转换为行：这个实际上可能很好，但更多的解释会更好。
-
pandas melt function：一个很好的问题，答案也很好，但是有点太模糊了，没有太多解释。
-
融化 pandas 数据框：也是一个很好的答案！但这只是针对特定情况，这很简单，只有
pd.melt(df) -
pandas 数据框使用列作为行（融化）：非常整洁！但问题是，它仅针对op提出的具体问题，也需要使用
pivot_table。
所以我将尝试针对这个主题进行规范的问答。
数据集：
我将在这个随机年龄的随机人的随机成绩数据集中找到所有答案（更容易解释答案：d）：
import pandas as pd
df = pd.dataframe({'name': ['bob', 'john', 'foo', 'bar', 'alex', 'tom'],
'math': ['a+', 'b', 'a', 'f', 'd', 'c'],
'english': ['c', 'b', 'b', 'a+', 'f', 'a'],
'age': [13, 16, 16, 15, 15, 13]})
>>> df
name math english age
0 bob a+ c 13
1 john b b 16
2 foo a b 16
3 bar f a+ 15
4 alex d f 15
5 tom c a 13
问题：
问题 1：
如何融化数据框以使原始数据框变为以下内容？
name age subject grade
0 bob 13 english c
1 john 16 english b
2 foo 16 english b
3 bar 15 english a+
4 alex 17 english f
5 tom 12 english a
6 bob 13 math a+
7 john 16 math b
8 foo 16 math a
9 bar 15 math f
10 alex 17 math d
11 tom 12 math c
我想对其进行转置，以便一列是每个科目，其他列是学生的重复姓名及其年龄和分数。
问题 2：
这和问题1类似，但是这次我想让问题1输出subject列只有math，我想过滤掉english列：
name age subject grades
0 bob 13 math a+
1 john 16 math b
2 foo 16 math a
3 bar 15 math f
4 alex 15 math d
5 tom 13 math c
我希望输出如上所示。
问题 3：
如果我要对熔化进行分组并按学生的分数排序，我该如何做到这一点，以获得如下所示的所需输出：
value name subjects
0 a foo, tom math, english
1 a+ bob, bar math, english
2 b john, john, foo math, english, english
3 c tom, bob math, english
4 d alex math
5 f bar, alex math, english
我需要对其进行排序，名称用逗号分隔，并且 subjects 分别以相同的顺序用逗号分隔。
问题 4：
我如何解冻一个熔化的数据框？假设我已经融化了这个数据框：
df = df.melt(id_vars=['name', 'age'], var_name='subject', value_name='grades')
成为：
name age subject grades
0 bob 13 math a+
1 john 16 math b
2 foo 16 math a
3 bar 15 math f
4 alex 15 math d
5 tom 13 math c
6 bob 13 english c
7 john 16 english b
8 foo 16 english b
9 bar 15 english a+
10 alex 15 english f
11 tom 13 english a
那么我如何将其转换回原始数据框，如下所示？
name math english age
0 bob a+ c 13
1 john b b 16
2 foo a b 16
3 bar f a+ 15
4 alex d f 15
5 tom c a 13
问题 5：
如果我要按学生姓名分组并用逗号分隔科目和成绩，我会怎么做？
name subject grades
0 alex math, english d, f
1 bar math, english f, a+
2 bob math, english a+, c
3 foo math, english a, b
4 john math, english b, b
5 tom math, english c, a
我想要一个像上面这样的数据框。
问题 6：
如果我要完全融化我的数据框，所有列都作为值，我会怎么做？
Column Value
0 Name Bob
1 Name John
2 Name Foo
3 Name Bar
4 Name Alex
5 Name Tom
6 Math A+
7 Math B
8 Math A
9 Math F
10 Math D
11 Math C
12 English C
13 English B
14 English B
15 English A+
16 English F
17 English A
18 Age 13
19 Age 16
20 Age 16
21 Age 15
22 Age 15
23 Age 13
我想要一个像上面这样的数据框。所有列作为值。
正确答案
pandas 版本 < 0.20.0 的注意事项：我将使用 df.melt(...) 作为我的示例，但您需要使用 pd.melt(df, .. .) 代替。
文档参考：
这里的大多数解决方案都将与 melt< 一起使用/a>，所以要知道方法melt ，请参阅文档说明。
熔化逻辑：
melting合并多列，将dataframe由宽转长，解决问题1（见下文），步骤为：
首先我们得到了原始数据帧。
然后，melt 首先合并
math和english列，并使数据帧复制（更长）。最后它添加了
subject列，它分别是grades列值的主题：
这是 melt 函数的简单逻辑。
解决方案：
问题 1：
问题 1 可以使用 pd.dataframe.melt 解决 使用以下代码：
print(df.melt(id_vars=['name', 'age'], var_name='subject', value_name='grades'))此代码将 id_vars 参数传递给 ['name', 'age']，然后自动将 value_vars 设置为其他列（['math', 'english']），这是转置的转换为该格式。
您还可以使用 stack 像下面这样：
print(
df.set_index(["name", "age"])
.stack()
.reset_index(name="grade")
.rename(columns={"level_2": "subject"})
.sort_values("subject")
.reset_index(drop=true)
)此代码将 name 和 age 列设置为索引，并堆叠其余列 math 和 english，并重置索引并指定 grade 作为列名称，然后将其他列重命名为 level_2phpcnendcphp cn 到 subject 然后按subject 列，最后再次重置索引。
这两个解决方案输出：
name age subject grade
0 bob 13 english c
1 john 16 english b
2 foo 16 english b
3 bar 15 english a+
4 alex 17 english f
5 tom 12 english a
6 bob 13 math a+
7 john 16 math b
8 foo 16 math a
9 bar 15 math f
10 alex 17 math d
11 tom 12 math c
问题 2：
这和我的第一个问题类似，但是这个我只在 math 列中进行过滤，这时候 value_vars 参数就可以派上用场了，如下所示：
print(
df.melt(
id_vars=["name", "age"],
value_vars="math",
var_name="subject",
value_name="grades",
)
)或者我们也可以使用 stack 与列规格：
print(
df.set_index(["name", "age"])[["math"]]
.stack()
.reset_index(name="grade")
.rename(columns={"level_2": "subject"})
.sort_values("subject")
.reset_index(drop=true)
)这两种解决方案都给出：
name age subject grade
0 bob 13 math a+
1 john 16 math b
2 foo 16 math a
3 bar 15 math f
4 alex 15 math d
5 tom 13 math c
问题 3：
问题3可以通过melt解决和 groupby，使用 agg 函数和 ' , '.join，如下所示：
print(
df.melt(id_vars=["name", "age"])
.groupby("value", as_index=false)
.agg(", ".join)
)它会融合数据框，然后按等级进行分组，聚合它们并用逗号将它们连接起来。
stack也可以用来解决这个问题，与 stack 和 groupby 如下所示：
print(
df.set_index(["name", "age"])
.stack()
.reset_index()
.rename(columns={"level_2": "subjects", 0: "grade"})
.groupby("grade", as_index=false)
.agg(", ".join)
)这个 stack 函数只是转置数据帧以相当于 melt 的方式，然后重置索引，重命名列、组和聚合。
两种解决方案输出：
grade name subjects
0 a foo, tom math, english
1 a+ bob, bar math, english
2 b john, john, foo math, english, english
3 c bob, tom english, math
4 d alex math
5 f bar, alex math, english
问题 4：
这可以通过 pivot_table 来解决。我们必须指定参数 values、index、columns 以及 aggfunc。
我们可以用下面的代码来解决这个问题：
print(
df.pivot_table("grades", ["name", "age"], "subject", aggfunc="first")
.reset_index()
.rename_axis(columns=none)
)输出：
name age english math
0 alex 15 f d
1 bar 15 a+ f
2 bob 13 c a+
3 foo 16 b a
4 john 16 b b
5 tom 13 a c
融化的数据帧被转换回与原始数据帧完全相同的格式。
我们首先旋转融化的数据框，然后重置索引并删除列轴名称。
问题 5：
问题5可以通过melt解决和 groupby 如下所示：
print(
df.melt(id_vars=["name", "age"], var_name="subject", value_name="grades")
.groupby("name", as_index=false)
.agg(", ".join)
)融化并按 name 分组。
或者您可以stack：
print(
df.set_index(["name", "age"])
.stack()
.reset_index()
.groupby("name", as_index=false)
.agg(", ".join)
.rename({"level_2": "subjects", 0: "grades"}, axis=1)
)两个代码输出：
name subjects grades
0 alex math, english d, f
1 bar math, english f, a+
2 bob math, english a+, c
3 foo math, english a, b
4 john math, english b, b
5 tom math, english c, a
问题 6：
问题6可以通过melt解决并且不需要指定列，只需指定预期的列名称：
print(df.melt(var_name='column', value_name='value'))这会融化整个数据框。
或者您可以stack：
print(
df.stack()
.reset_index(level=1)
.sort_values("level_1")
.reset_index(drop=true)
.set_axis(["column", "value"], axis=1)
)两个代码输出：
Column Value
0 Age 16
1 Age 15
2 Age 15
3 Age 16
4 Age 13
5 Age 13
6 English A+
7 English B
8 English B
9 English A
10 English F
11 English C
12 Math C
13 Math A+
14 Math D
15 Math B
16 Math F
17 Math A
18 Name Alex
19 Name Bar
20 Name Tom
21 Name Foo
22 Name John
23 Name Bob
