pandas.melt#

pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None, ignore_index=True)[源代码]#

将DataFrame从宽格式取消透视为长格式,可以选择保留设置的标识符。

此函数用于将DataFrame转换为其中一列或多列是标识符变量的格式 (id_vars ),而所有其他列则被视为测量变量 (value_vars )“不旋转”到行轴,只剩下两个非标识符列‘Variable’和‘Value’。

参数
id_vars元组、列表或ndarray,可选

用作标识符变量的列。

value_vars元组、列表或ndarray,可选

要取消透视的列。如果未指定,则使用未设置为的所有列 id_vars

var_name标量

用于‘Variable’列的名称。如果没有,则使用 frame.columns.name 或“可变的”。

value_name标量,默认‘值’

用于‘Value’列的名称。

col_levelint或str,可选

如果列是多重索引,则使用此级别来融化。

ignore_index布尔值,默认为True

如果为True,则忽略原始索引。如果为False,则保留原始索引。索引标签将在必要时重复。

1.1.0 新版功能.

退货
DataFrame

未透视的DataFrame。

参见

DataFrame.melt

相同的方法。

pivot_table

将电子表格样式的数据透视表创建为DataFrame。

DataFrame.pivot

返回按给定索引/列值组织的整形DataFrame。

DataFrame.explode

将DataFrame从类似列表的列分解为长格式。

注意事项

参考文献 the user guide 查看更多示例。

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

可以自定义‘Variable’和‘Value’列的名称:

>>> pd.melt(df, 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

原始索引值可以保留:

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