In [1]: import pandas as pd
- 泰坦尼克号数据集
本教程使用以 CSV 格式存储的泰坦尼克号数据集。该数据包含以下数据列：
PassengerId: 每位乘客的 ID。
Survived: 乘客是否存活的指示。
0表示否，1表示是。Pclass: 三个船票等级之一：
1等，2等，以及3等。Name: 乘客姓名。
Sex: 乘客性别。
Age: 乘客年龄（以年为单位）。
SibSp: 船上的兄弟姐妹或配偶数量。
Parch: 船上的父母或子女数量。
Ticket: 乘客的船票号。
Fare: 票价。
Cabin: 乘客的客舱号。
Embarked: 登船港口。
In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S [5 rows x 12 columns]
-
空气质量数据
本教程使用有关 \(NO_2\) 和细颗粒物（小于2.5微米）的空气质量数据，这些数据由 OpenAQ 提供，并使用 py-openaq 包。
air_quality_long.csv数据集提供了分别位于巴黎、安特卫普和伦敦的监测站 FR04014、BETR801 和 London Westminster 的 \(NO_2\) 和 \(PM_{25}\) 值。空气质量数据集包含以下列：
city: 传感器所在的城市，巴黎、安特卫普或伦敦
country: 传感器所在的国家，FR、BE或GB
location: 传感器的ID，FR04014、BETR801 或 London Westminster
parameter: 传感器测量的参数，\(NO_2\) 或颗粒物
value: 测量值
unit: 被测参数的单位，本例中为“µg/m³”
而
DataFrame的索引是datetime，即测量的时间。原始数据注意
空气质量数据以所谓的长格式数据表示形式提供，每条观测记录占一行，每个变量占数据表的一列。长/窄格式也称为 整洁数据格式。
In [4]: air_quality = pd.read_csv( ...: "data/air_quality_long.csv", index_col="date.utc", parse_dates=True ...: ) ...: In [5]: air_quality.head() Out[5]: city country location parameter value unit date.utc 2019-06-18 06:00:00+00:00 Antwerpen BE BETR801 pm25 18.0 µg/m³ 2019-06-17 08:00:00+00:00 Antwerpen BE BETR801 pm25 6.5 µg/m³ 2019-06-17 07:00:00+00:00 Antwerpen BE BETR801 pm25 18.5 µg/m³ 2019-06-17 06:00:00+00:00 Antwerpen BE BETR801 pm25 16.0 µg/m³ 2019-06-17 05:00:00+00:00 Antwerpen BE BETR801 pm25 7.5 µg/m³
如何重塑表格布局#
对表格行进行排序#
我想根据乘客的年龄对泰坦尼克号数据进行排序。
In [6]: titanic.sort_values(by="Age").head() Out[6]: PassengerId Survived Pclass ... Fare Cabin Embarked 803 804 1 3 ... 8.5167 NaN C 755 756 1 2 ... 14.5000 NaN S 644 645 1 3 ... 19.2583 NaN C 469 470 1 3 ... 19.2583 NaN C 78 79 1 2 ... 29.0000 NaN S [5 rows x 12 columns]
我想根据舱位等级和年龄降序对泰坦尼克号数据进行排序。
In [7]: titanic.sort_values(by=['Pclass', 'Age'], ascending=False).head() Out[7]: PassengerId Survived Pclass ... Fare Cabin Embarked 851 852 0 3 ... 7.7750 NaN S 116 117 0 3 ... 7.7500 NaN Q 280 281 0 3 ... 7.7500 NaN Q 483 484 1 3 ... 9.5875 NaN S 326 327 0 3 ... 6.2375 NaN S [5 rows x 12 columns]
使用
DataFrame.sort_values()，表格的行将根据定义的列进行排序。索引将跟随行的顺序。
更多关于表格排序的细节请参见用户指南中关于 数据排序 的部分。
长表格式转换为宽表格式#
让我们使用空气质量数据集的一个小子集。我们关注 \(NO_2\) 数据，并且只使用每个地点的头两条测量记录（即每个组的头部）。这个数据子集将被命名为 no2_subset。
# filter for no2 data only
In [8]: no2 = air_quality[air_quality["parameter"] == "no2"]
# use 2 measurements (head) for each location (groupby)
In [9]: no2_subset = no2.sort_index().groupby(["location"]).head(2)
In [10]: no2_subset
Out[10]:
city country ... value unit
date.utc ...
2019-04-09 01:00:00+00:00 Antwerpen BE ... 22.5 µg/m³
2019-04-09 01:00:00+00:00 Paris FR ... 24.4 µg/m³
2019-04-09 02:00:00+00:00 London GB ... 67.0 µg/m³
2019-04-09 02:00:00+00:00 Antwerpen BE ... 53.5 µg/m³
2019-04-09 02:00:00+00:00 Paris FR ... 27.4 µg/m³
2019-04-09 03:00:00+00:00 London GB ... 67.0 µg/m³
[6 rows x 6 columns]
我希望三个站点的测量值作为单独的列并排显示。
In [11]: no2_subset.pivot(columns="location", values="value") Out[11]: location BETR801 FR04014 London Westminster date.utc 2019-04-09 01:00:00+00:00 22.5 24.4 NaN 2019-04-09 02:00:00+00:00 53.5 27.4 67.0 2019-04-09 03:00:00+00:00 NaN NaN 67.0
pivot()函数纯粹是数据的重塑：每个索引/列组合需要一个单一的值。
由于 pandas 原生支持（参见 绘图教程）多列绘图，从长格式到宽格式的转换使得能够同时绘制不同的时间序列。
In [12]: no2.head()
Out[12]:
city country location parameter value unit
date.utc
2019-06-21 00:00:00+00:00 Paris FR FR04014 no2 20.0 µg/m³
2019-06-20 23:00:00+00:00 Paris FR FR04014 no2 21.8 µg/m³
2019-06-20 22:00:00+00:00 Paris FR FR04014 no2 26.5 µg/m³
2019-06-20 21:00:00+00:00 Paris FR FR04014 no2 24.9 µg/m³
2019-06-20 20:00:00+00:00 Paris FR FR04014 no2 21.4 µg/m³
In [13]: no2.pivot(columns="location", values="value").plot()
Out[13]: <Axes: xlabel='date.utc'>
注意
当 index 参数未定义时，将使用现有的索引（行标签）。
有关 pivot() 的更多信息，请参见用户指南中关于 透视 DataFrame 对象 的部分。
数据透视表#
我想要 \(NO_2\) 和 \(PM_{2.5}\) 在每个站点的平均浓度，并以表格形式呈现。
In [14]: air_quality.pivot_table( ....: values="value", index="location", columns="parameter", aggfunc="mean" ....: ) ....: Out[14]: parameter no2 pm25 location BETR801 26.950920 23.169492 FR04014 29.374284 NaN London Westminster 29.740050 13.443568
在
pivot()的情况下，数据只是被重新排列。当需要聚合多个值时（在本例中，是不同时间步长上的值），可以使用pivot_table()，它提供了一个聚合函数（例如，均值）来组合这些值。
数据透视表是电子表格软件中的一个著名概念。当您对每个变量的行/列边距（小计）感兴趣时，将 margins 参数设置为 True。
In [15]: air_quality.pivot_table(
....: values="value",
....: index="location",
....: columns="parameter",
....: aggfunc="mean",
....: margins=True,
....: )
....:
Out[15]:
parameter no2 pm25 All
location
BETR801 26.950920 23.169492 24.982353
FR04014 29.374284 NaN 29.374284
London Westminster 29.740050 13.443568 21.491708
All 29.430316 14.386849 24.222743
有关 pivot_table() 的更多信息，请参见用户指南中关于 数据透视表 的部分。
注意
如果您想知道，pivot_table() 确实直接与 groupby() 相关。通过对 parameter 和 location 进行分组，可以得到相同的结果。
air_quality.groupby(["parameter", "location"])[["value"]].mean()
宽表格式转换为长表格式#
从上一节创建的宽格式表格开始，我们使用 reset_index() 为 DataFrame 添加新的索引。
In [16]: no2_pivoted = no2.pivot(columns="location", values="value").reset_index()
In [17]: no2_pivoted.head()
Out[17]:
location date.utc BETR801 FR04014 London Westminster
0 2019-04-09 01:00:00+00:00 22.5 24.4 NaN
1 2019-04-09 02:00:00+00:00 53.5 27.4 67.0
2 2019-04-09 03:00:00+00:00 54.5 34.2 67.0
3 2019-04-09 04:00:00+00:00 34.5 48.5 41.0
4 2019-04-09 05:00:00+00:00 46.5 59.5 41.0
我想将所有空气质量 \(NO_2\) 测量值收集到一个列中（长格式）。
In [18]: no_2 = no2_pivoted.melt(id_vars="date.utc") In [19]: no_2.head() Out[19]: date.utc location value 0 2019-04-09 01:00:00+00:00 BETR801 22.5 1 2019-04-09 02:00:00+00:00 BETR801 53.5 2 2019-04-09 03:00:00+00:00 BETR801 54.5 3 2019-04-09 04:00:00+00:00 BETR801 34.5 4 2019-04-09 05:00:00+00:00 BETR801 46.5
DataFrame上的pandas.melt()方法将数据表从宽格式转换为长格式。列标题将成为一个新创建的列中的变量名。
解决方案是如何应用 pandas.melt() 的简短版本。该方法会将所有未在 id_vars 中提及的列融化成两列：一列包含列标题名称，另一列包含值本身。后者默认名为 value。
传递给 pandas.melt() 的参数可以更详细地定义。
In [20]: no_2 = no2_pivoted.melt(
....: id_vars="date.utc",
....: value_vars=["BETR801", "FR04014", "London Westminster"],
....: value_name="NO_2",
....: var_name="id_location",
....: )
....:
In [21]: no_2.head()
Out[21]:
date.utc id_location NO_2
0 2019-04-09 01:00:00+00:00 BETR801 22.5
1 2019-04-09 02:00:00+00:00 BETR801 53.5
2 2019-04-09 03:00:00+00:00 BETR801 54.5
3 2019-04-09 04:00:00+00:00 BETR801 34.5
4 2019-04-09 05:00:00+00:00 BETR801 46.5
附加参数具有以下效果：
value_vars定义了要融化在一起的列。value_name为值列提供了自定义列名，而不是默认的value列名。var_name为收集列标题名称的列提供了自定义列名。否则，它将采用索引名称或默认的variable。
因此，value_name 和 var_name 参数只是为生成的两列提供了用户定义的名称。要融化的列由 id_vars 和 value_vars 定义。
使用 pandas.melt() 将宽格式转换为长格式的说明，请参见用户指南中关于 通过 melt 重塑 的部分。
请记住
按一列或多列排序由
sort_values支持。pivot函数纯粹是数据的重组，而pivot_table支持聚合。pivot的反向操作（长到宽格式）是melt（宽到长格式）。
完整概述请参见用户指南中关于 重塑和透视 的页面。