一、變形

1. pivot

   將長表變換為寬表，輸入有三個引數：

   • index：變形後的行索引
   • columns：需要轉換到列索引的列
   • values：列和行索引對應的值

   例如，先生成一個表：

   df = pd.DataFrame({'Class':[1,1,2,2],
                       'Name':['San Zhang','San Zhang','Si Li','Si Li'],
                      'Subject':['Chinese','Math','Chinese','Math'],
                       'Grade':[80,75,90,85]})
   df
   Out[57]: 
      Class       Name  Subject  Grade
   0      1  San Zhang  Chinese     80
   1      1  San Zhang     Math     75
   2      2      Si Li  Chinese     90
   3      2      Si Li     Math     85
    
   

   然後將姓名作為變換後的行索，subject轉換為列索引:

   df.pivot(index='Name',columns='Subject',values='Grade')
   Out[58]: 
   Subject    Chinese  Math
   Name                    
   San Zhang       80    75
   Si Li           90    85
   

   注意點：

   • columns和index對應的組合需滿足唯一性，上面例子中，如果張三的數學改為語文，則會出錯，因為(張三,語文）這個組合出現了兩次。
   • 輸入的三個引數可以設為列表，返回多級索引。

2. pivot_table

   為了解決povit中唯一性的限制，在povit的基礎上多增加了引數：

   • aggfunc：傳入聚合函式
   • margins：設為True可以統計邊際值

   回到第一節中的例子，張三和李四的考試有兩次：

   df = pd.DataFrame({'Name':['San Zhang', 'San Zhang','San Zhang', 'San Zhang',
                             'Si Li', 'Si Li', 'Si Li', 'Si Li'],
                     'Subject':['Chinese', 'Chinese', 'Math', 'Math',
                                   'Chinese', 'Chinese', 'Math', 'Math'],
                    'Grade':[80, 90, 100, 90, 70, 80, 85, 95]})
   df
   Out[61]: 
           Name  Subject  Grade
   0  San Zhang  Chinese     80
   1  San Zhang  Chinese     90
   2  San Zhang     Math    100
   3  San Zhang     Math     90
   4      Si Li  Chinese     70
   5      Si Li  Chinese     80
   6      Si Li     Math     85
   7      Si Li     Math     95
    
   

   使用pivot_table轉換為寬表，aggfunc輸入為兩次相同科目的平均值，同時統計邊界值：

   df.pivot_table(index ='Name',columns='Subject',values='Grade',aggfunc='mean',margins=True)
   Out[64]: 
   Subject    Chinese  Math    All
   Name                           
   San Zhang       85  95.0  90.00
   Si Li           75  90.0  82.50
   All             80  92.5  86.25
   

3. melt

   將寬錶轉換為長表，為pivot的逆運算。輸入引數：

   • id_vars：不需要被轉換的列
   • value_vars：需要被轉換的列
   • var_name：被轉換列轉換後的名字
   • value_name：被轉換列下的資料轉換後的名字

   例如，先生成一個表：

   df = pd.DataFrame({'Class':[1,2],
                   'Name':['San Zhang', 'Si Li'],
                      'Chinese':[80, 90],
                        'Math':[80, 75]})
    df
   Out[66]: 
      Class       Name  Chinese  Math
   0      1  San Zhang       80    80
   1      2      Si Li       90    75
   

   然後使用melt函式將數學和語文合併成一個新的列：

   df.melt(id_vars = ['Class','Name'],
           value_vars=['Chinese','Math'],
           var_name='Subject',
           value_name = 'Grade')
   Out[68]: 
      Class       Name  Subject  Grade
   0      1  San Zhang  Chinese     80
   1      2      Si Li  Chinese     90
   2      1  San Zhang     Math     80
   3      2      Si Li     Math     75
   

4. wide_to_long

   將寬表變為長表，只不過相比於melt函式，其對應的資訊可以表示多層含義：

   • stubnames：被轉換列下的資料轉換後的名字
   • i：不需要變換的列
   • j：被轉換列轉換後的名字

   例如，引入期中和期末資訊，將數學和語文的期中和期末進行展示，先生成表：

   df = pd.DataFrame({'Class':[1,2],'Name':['San Zhang', 'Si Li'],
      ....:                    'Chinese_Mid':[80, 75], 'Math_Mid':[90, 85],
      ....:                    'Chinese_Final':[80, 75], 'Math_Final':[90, 85]})
      ....: 
   df
   Out[29]: 
      Class       Name  Chinese_Mid  Math_Mid  Chinese_Final  Math_Final
   0      1  San Zhang           80        90             80          90
   1      2      Si Li           75        85             75          85
   

   進行轉換：

   pd.wide_to_long(df,
      ....:                 stubnames=['Chinese', 'Math'],
      ....:                 i = ['Class', 'Name'],
      ....:                 j='Examination',
      ....:                 sep='_',
      ....:                 suffix='.+')
      ....: 
   Out[30]: 
                                Chinese  Math
   Class Name      Examination               
   1     San Zhang Mid               80    90
                   Final             80    90
   2     Si Li     Mid               75    85
                   Final             75    85