pandas.DataFrame.melt

DataFrame.melt(id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None, ignore_index=True)

将 DataFrame 从宽格式转换为长格式，并可选择保留标识符。

此函数有助于将 DataFrame 整理成一种格式，其中一个或多个列是标识符变量（id_vars），而所有其他被视为测量变量（value_vars）的列将被“解透视”到行轴，只剩下两个非标识符列，“variable”和“value”。

参数:

id_vars标量、元组、列表或 ndarray，可选

用作标识符变量的列。

value_vars标量、元组、列表或 ndarray，可选

要解透视的列。如果未指定，则使用所有未设置为 id_vars 的列。

var_name标量，默认 None

用于“variable”列的名称。如果为 None，则使用 frame.columns.name 或“variable”。

value_name标量，默认“value”

用于“value”列的名称，不能是现有列标签。

col_level标量，可选

如果列是 MultiIndex，则使用此级别进行 melt。

ignore_index布尔值，默认 True

如果为 True，则忽略原始索引。如果为 False，则保留原始索引。索引标签将根据需要重复。

返回:

DataFrame

解透视后的 DataFrame。

另请参阅

melt

相同的方法。

pivot_table

创建电子表格样式的透视表作为 DataFrame。

DataFrame.pivot

返回按给定的索引/列值组织的重塑 DataFrame。

DataFrame.explode

将 DataFrame 从列表类列展开为长格式。

注意

有关更多示例，请参阅 用户指南。

示例

>>> df = pd.DataFrame(
...     {
...         "A": {0: "a", 1: "b", 2: "c"},
...         "B": {0: 1, 1: 3, 2: 5},
...         "C": {0: 2, 1: 4, 2: 6},
...     }
... )
>>> df
A  B  C
0  a  1  2
1  b  3  4
2  c  5  6

>>> df.melt(id_vars=["A"], value_vars=["B"])
A variable  value
0  a        B      1
1  b        B      3
2  c        B      5

>>> df.melt(id_vars=["A"], value_vars=["B", "C"])
A variable  value
0  a        B      1
1  b        B      3
2  c        B      5
3  a        C      2
4  b        C      4
5  c        C      6

“variable”和“value”列的名称可以自定义

>>> df.melt(
...     id_vars=["A"],
...     value_vars=["B"],
...     var_name="myVarname",
...     value_name="myValname",
... )
A myVarname  myValname
0  a         B          1
1  b         B          3
2  c         B          5

可以保留原始索引值

>>> df.melt(id_vars=["A"], value_vars=["B", "C"], ignore_index=False)
A variable  value
0  a        B      1
1  b        B      3
2  c        B      5
0  a        C      2
1  b        C      4
2  c        C      6

如果您有多级索引列

>>> df.columns = [list("ABC"), list("DEF")]
>>> df
A  B  C
D  E  F
0  a  1  2
1  b  3  4
2  c  5  6

>>> df.melt(col_level=0, id_vars=["A"], value_vars=["B"])
A variable  value
0  a        B      1
1  b        B      3
2  c        B      5

>>> df.melt(id_vars=[("A", "D")], value_vars=[("B", "E")])
(A, D) variable_0 variable_1  value
0      a          B          E      1
1      b          B          E      3
2      c          B          E      5