Панды: иерархические столбцы И строки - использовать мультииндекс / набор индексов, стек / разблокирование, плавление или что-то еще? - PullRequest
Новая
       23

Панды: иерархические столбцы И строки - использовать мультииндекс / набор индексов, стек / разблокирование, плавление или что-то еще?

0 голосов
/ 15 октября 2019

У меня есть следующие данные в фрейме данных pandas: 

high_school_code = [110]*6 + [201]*6 + [360]*6
high_school_name = ['Jefferson High']*6 + ['Venice High']*6 + ['Beverly High']*6
subject_name = (['Math']*2 + ['Biology']*2 +['English']*2)*3
assessment_type = ['SAT', 'GPA']*9
mean_score = [560, 2.9, 620, 3.1, 600, 3.0, 680, 3.4, 590, 3.2, 710, 3.5, 640, 3.3, 570, 3.1, 730, 3.7]
standard_error = [50, 0.21, 60, 0.19, 70, 0.23, 40, 0.34, 30, 0.29, 50, 0.46, 70, 0.42, 60, 0.39, 80, 0.51]
N = [883]*6 + [1106]*6 + [978]*6
column_names = ['High_School_Code', 'High_School_Name', 'Subject_Name', 'Assessment_Type', 'Mean_Score', 'Standard_Error', 'N']

data = list(zip(high_school_code, high_school_name, subject_name, assessment_type, mean_score, standard_error, N))

df = pd.DataFrame(data, columns=column_names)

Скриншот того, как выглядит фрейм данных pandas, здесь

Но янужно, чтобы данные были изменены таким образом, чтобы они выглядели так:

Было бы неплохо изменить данные так, чтобы они выглядели следующим образом

У меня естьпопытался использовать Pandas multi-index, set-index, unstack и groupby, но безрезультатно, и очень признателен за помощь! Спасибо!

1 Ответ

0 голосов
/ 15 октября 2019

Оба эти примера являются довольно хорошими, когда .set_index() и .unstack() пригодятся для изменения формы: 

In [92]: (
    ...:     df
    ...:     .set_index(['High_School_Code', 'High_School_Name', 'Subject_Name', 'Assessment_Type'])
    ...:     .unstack("Assessment_Type")
    ...:     .swaplevel(axis=1)
    ...:     .sort_index(axis=1, level=0, sort_remaining=False)
    ...: )
Out[92]:
Assessment_Type                                       GPA                             SAT
                                               Mean_Score Standard_Error     N Mean_Score Standard_Error     N
High_School_Code High_School_Name Subject_Name
110              Jefferson High   Biology             3.1           0.19   883      620.0           60.0   883
                                  English             3.0           0.23   883      600.0           70.0   883
                                  Math                2.9           0.21   883      560.0           50.0   883
201              Venice High      Biology             3.2           0.29  1106      590.0           30.0  1106
                                  English             3.5           0.46  1106      710.0           50.0  1106
                                  Math                3.4           0.34  1106      680.0           40.0  1106
360              Beverly High     Biology             3.1           0.39   978      570.0           60.0   978
                                  English             3.7           0.51   978      730.0           80.0   978
                                  Math                3.3           0.42   978      640.0           70.0   978

для первого, и вот что-то близкое для второго (столбцынемного не в порядке, но вы можете присвоить его чему-то и изменить порядок после, если это имеет значение): 

In [110]: (
     ...:     df
     ...:     .set_index(['High_School_Code', 'High_School_Name', 'Subject_Name', 'Assessment_Type'])
     ...:     .unstack(["Assessment_Type", "Subject_Name"])
     ...:     .swaplevel(0, 2, axis=1)
     ...:     .sort_index(axis=1, level=[0,1], sort_remaining=False)
     ...: )
Out[110]:
Subject_Name                         Biology                                  ...  Math
Assessment_Type                          GPA                             SAT  ...   GPA        SAT
                                  Mean_Score Standard_Error     N Mean_Score  ...     N Mean_Score Standard_Error     N
High_School_Code High_School_Name                                             ...
110              Jefferson High          3.1           0.19   883      620.0  ...   883      560.0           50.0   883
201              Venice High             3.2           0.29  1106      590.0  ...  1106      680.0           40.0  1106
360              Beverly High            3.1           0.39   978      570.0  ...   978      640.0           70.0   978
...