Python數(shù)據(jù)分析基礎(chǔ)與應(yīng)用電子活頁(yè)5-21重塑層次化索引

Python數(shù)據(jù)分析基礎(chǔ)與應(yīng)用模塊電子活頁(yè)5-21重塑層次化索引【技能訓(xùn)練5-21】重塑層次化索引【訓(xùn)練要求】在JupyterNotebook開(kāi)發(fā)環(huán)境中創(chuàng)建j5-21.ipynb，然后編寫(xiě)代碼實(shí)現(xiàn)重塑層次化索引?！緦?shí)施過(guò)程】1．使用stack()函數(shù)將數(shù)據(jù)的列索引轉(zhuǎn)換為行索引將具有單層索引的DataFrame對(duì)象重塑為具有兩層索引的Series對(duì)象，也就是將列索引轉(zhuǎn)換成內(nèi)層行索引，代碼如下：importnumpyasnpimportpandasaspd#創(chuàng)建DataFrame對(duì)象data1=pd.DataFrame(np.arange(4).reshape((2,2)),index=pd.Index(['row1','row2'],name='rows'),columns=pd.Index(['col1','col2'],name='cols'))print(data1)#使用stack()函數(shù)改變data1的層次化索引result1=data1.stack()print('列索引轉(zhuǎn)換為內(nèi)層行索引\n',result1)print('類(lèi)型為：',type(result1))輸出結(jié)果：colscol1col2rowsrow101row223列索引轉(zhuǎn)換為內(nèi)層行索引rowscolsrow1col10col21row2col12col23dtype:int32類(lèi)型為：<class'pandas.core.series.Series'>從上述輸出結(jié)果可以看出，DataFrame對(duì)象已經(jīng)被轉(zhuǎn)換為Series對(duì)象。2．使用unstack()函數(shù)將數(shù)據(jù)的行索引轉(zhuǎn)換為列索引（1）使用unstack()函數(shù)將重塑的Series對(duì)象轉(zhuǎn)換為DataFrame對(duì)象將前面示例中重塑的Series對(duì)象恢復(fù)原樣，即將其轉(zhuǎn)換為DataFrame對(duì)象，代碼如下：print('操作內(nèi)層索引\n',result1.unstack())print('操作外層索引\n',result1.unstack(0))print('操作行索引\n',result1.unstack('rows'))輸出結(jié)果：操作內(nèi)層索引colscol1col2rowsrow101row223操作外層索引rowsrow1row2colscol102col213操作行索引rowsrow1row2colscol102col213（2）使用unstack()函數(shù)將Series對(duì)象轉(zhuǎn)換為DataFrame對(duì)象代碼如下：#創(chuàng)建Series對(duì)象s1=pd.Series([0,1,2,3],index=['a','b','c','d'])s2=pd.Series([4,5,6],index=['c','d','e'])data2=pd.concat([s1,s2],keys=['one','two'])print(data2)#使用unstack()函數(shù)改變data2的層次化索引result2=data2.unstack()print('將數(shù)據(jù)的行索引轉(zhuǎn)換為列索引\n',result2)print('類(lèi)型為：',type(result2))輸出結(jié)果：onea0b1c2d3twoc4d5e6dtype:int64將數(shù)據(jù)的行索引轉(zhuǎn)換為列索引abcdeone0.01.02.03.0NaNtwoNaNNaN4.05.06.0類(lèi)型為：<class'pandas.core.frame.DataFrame'>（3）使用stack()函數(shù)將數(shù)據(jù)的列索引轉(zhuǎn)換為行索引，并刪除缺失值對(duì)應(yīng)的行代碼如下：result3=data2.unstack().stack()print('刪除缺失值對(duì)應(yīng)的行\(zhòng)n',result3)print('類(lèi)型為：',type(result3))輸出結(jié)果：刪除缺失值對(duì)應(yīng)的行onea0.0b1.0c2.0d3.0twoc4.0d5.0e6.0dtype:float64類(lèi)型為：<class'pandas.core.series.Series'>（4）使用stack()函數(shù)將數(shù)據(jù)的列索引轉(zhuǎn)換為行索引，不刪除缺失值對(duì)應(yīng)的行代碼如下：result4=data2.unstack().stack(dropna=False)print('不刪除缺失值對(duì)應(yīng)的行\(zhòng)n',result4)輸出結(jié)果：不刪除缺失值對(duì)應(yīng)的行onea0.0b1.0c2.0d3.0eNaNtwoaNaNbNaNc4.0d5.0e6.0dtype:float64（5）使用字典創(chuàng)建DataFrame對(duì)象，然后分別使用unstack()、stack()函數(shù)進(jìn)行行索引與列索引的轉(zhuǎn)換代碼如下：df1=pd.DataFrame({'left':result1,'right':result1+5},columns=pd.Index(['left','right'],name='side'))print(df1)#使用unstack()、stack()函數(shù)result4=df1.unstack('rows')print('將數(shù)據(jù)的行索引轉(zhuǎn)換為列索引\n',result4)print('類(lèi)型為：',type(result4))result5=result4.stack('side')print('將數(shù)據(jù)的列索引轉(zhuǎn)換為行索引\n',result5)print('類(lèi)型為：',type(result5))輸出結(jié)果：sideleftrightrowscolsrow1col105col216row2col127col238將數(shù)據(jù)的行索引轉(zhuǎn)換為列索引sideleftrightrowsrow1row2row1row2colscol10257col21368類(lèi)型為：<class'pandas.core.frame.DataFrame'>將數(shù)據(jù)的列索引轉(zhuǎn)換為行索引rows