概述

Pandas是一个Python数据分析库，其中的lreshape()函数用于将宽格式（wide format）数据转换为长格式（long format）数据，可以实现字段的合并和重塑任务，适用于已有数据没有符合分析要求格式的场景。本文将详细介绍pandas.lreshape()的用法和示例。

语法

函数的语法如下所示：

pandas.lreshape(self, mapper=None, dropna=False, *args, **kwargs)

参数

• mapper: 需要处理的字段映射关系，可以是：
• dict：需要处理的元素，由源字段名为键，目标字段名为值构成。
• iterable: 由元组的元素组成，元组的第一个元素为需要处理的源字段名，第二个元素为目标变量的前缀。
• dropna: 布尔类型，缺失值是否删除，默认为False，即不删除。

返回值

• DataFrame

示例

下面通过一个示例来说明pandas.lreshape()函数的用法。

我们假设有一个数据集df，其中包含日销售额（Sales1， Sales2 和 Sales3）数据和月销售额（Jan，Feb 和 Mar）数据，它的内容如下所示：

   Sales1  Sales2  Sales3   Jan   Feb   Mar
0       7       3       9  10.0   9.0   NaN
1       7       6       7   7.0  10.0  10.0
2       2       8       7   NaN   8.0   2.0
3       9       5       6   4.0   6.0   NaN
4       4       6       5   9.0   NaN   7.0
5       6       5       2   NaN   8.0   9.0

我们需要把它转换为长格式数据，其中两个新变量Record和Month分别记录销售记录和月份，数量Variable保存销售额的值，处理之后的数据应该如下所示：

   Record Month  Variable
0       1   Jan      10.0
1       1   Feb       9.0
2       1   Mar       NaN
3       2   Jan       7.0
4       2   Feb      10.0
5       2   Mar      10.0
6       3   Jan       NaN
7       3   Feb       8.0
8       3   Mar       2.0
9       4   Jan       4.0
10      4   Feb       6.0
11      4   Mar       NaN
12      5   Jan       9.0
13      5   Feb       NaN
14      5   Mar       7.0
15      6   Jan       NaN
16      6   Feb       8.0
17      6   Mar       9.0  

处理过程如下：

# 导入 pandas 库
import pandas as pd

# 创建一个数据集
df = pd.DataFrame({
    'Sales1': [7, 7, 2, 9, 4, 6],
    'Sales2': [3, 6, 8, 5, 6, 5], 
    'Sales3': [9, 7, 7, 6, 5, 2], 
    'Jan': [10.0, 7, None, 4, 9, None],
    'Feb': [9, 10, 8, 6, None, 8],
    'Mar': [None, 10, 2, None, 7, 9]
})
df.index += 1
df.columns = ['Sales1', 'Sales2', 'Sales3', 'Jan', 'Feb', 'Mar']

# 使用 lreshape 转换数据集
mapped = {'Sales1': 'Record', 'Sales2': 'Record', 'Sales3': 'Record'}
inv = pd.lreshape(df, mapped, dropna=True)
inv.columns = ['Record', 'Month', 'Variable']
inv.index += 1

# 显示结果
print(inv)

在上述例子中，我们先创建一个数据集df，然后使用字典mapped来指定需要转换的源字段和目标字段的关系。接下来，我们把mapped传递给lreshape()函数来计算长格式数据，同时，我们使用dropna参数，在处理数据时将NaN值丢弃。最后，我们将返回的DataFrame对象的列名进行修改，并且把索引值从0开始替换为1开始，以便更容易地查看数据。

上述代码的输出结果如下：

    Record Month  Variable
1        1   Jan      10.0
2        1   Feb       9.0
3        1   Mar       NaN
4        2   Jan       7.0
5        2   Feb      10.0
6        2   Mar      10.0
7        3   Feb       8.0
8        3   Mar       2.0
9        4   Jan       4.0
10       4   Feb       6.0
11       5   Jan       9.0
12       5   Mar       7.0
13       6   Feb       8.0
14       6   Mar       9.0

本文链接：http://task.lmcjl.com/news/17444.html