DataFrame的转换与重塑（基础）

引言

Pandas的DataFrame是一个强大的二维数据结构，广泛用于数据处理和分析。在实际应用中，经常需要转换和重塑DataFrame以适应不同需求，例如数据合并、转置或数据类型调整。本章节将介绍DataFrame的基础转换与重塑操作，让新手快速上手。

1. DataFrame的转换与重塑基础

DataFrame的转换与重塑主要指改变数据的结构或格式，例如从宽格式转为长格式、调整行/列顺序等。这在数据清洗和准备阶段非常关键。

2. DataFrame与Series的转换

取行或列

• 取一列：使用列名获取一个Series，例如df['列名']。
• 取一行：使用索引获取一个Series，例如df.loc[行索引]或df.iloc[位置]。
• 示例代码：

  import pandas as pd
  df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
  series_col = df['A']  # 获取列A为Series
  series_row = df.loc[0]  # 获取第一行为Series
  

stack和unstack基础

• stack：将列层级转换为行，将DataFrame转换为Series，适用于多级索引。
• unstack：将行层级转换为列，将Series转换为DataFrame。
• 示例代码：

  df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}, index=['X', 'Y'])
  stacked = df.stack()  # 转换为Series，索引为多层
  unstacked = stacked.unstack()  # 转回DataFrame
  

3. DataFrame与NumPy数组、列表、字典的转换

DataFrame转NumPy数组

• 使用.values属性：df.values返回一个NumPy数组。
• 示例：numpy_array = df.values

NumPy数组转DataFrame

• 使用pd.DataFrame()函数：例如pd.DataFrame(numpy_array, columns=['列名'])。
• 示例代码：

  import numpy as np
  arr = np.array([[1, 2], [3, 4]])
  df_from_arr = pd.DataFrame(arr, columns=['A', 'B'])
  

DataFrame转列表或字典

• 转列表：使用.to_numpy().tolist()或.values.tolist()获取列表形式的嵌套列表。
• 转字典：使用.to_dict()方法，参数如'list'（每列为列表）或'records'（每行为字典）。
• 示例代码：

  df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
  list_data = df.values.tolist()
  dict_data = df.to_dict('records')  # 返回[{'A': 1, 'B': 3}, {'A': 2, 'B': 4}]
  

4. 修改DataFrame的数据类型（astype、infer_dtype）

astype方法

• 用于显式转换数据类型，例如将整数转为浮点数或字符串。
• 示例代码：

  df['A'] = df['A'].astype('float')  # 将列A转为浮点型
  

infer_dtype函数

• 属于Pandas的api.types模块，用于推断数据类型。
• 示例代码：

  from pandas.api.types import infer_dtype
  dtype = infer_dtype(df['A'])  # 返回数据类型的推断，如'int64'
  

• 注意：infer_dtype主要用于分析，而astype用于修改。

5. DataFrame的转置（T属性）

• 转置是交换行和列，使用.T属性。
• 示例代码：

  df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}, index=['X', 'Y'])
  transposed = df.T  # 转置后，行变列，列变行
  

总结

本章节介绍了DataFrame的基础转换与重塑操作，涵盖与Series的转换、与NumPy数组、列表、字典的互转，数据类型修改以及转置。通过示例代码，新手可以快速理解和应用这些功能，为后续高级Pandas操作打下基础。建议结合实际数据练习以加深理解。

实践建议

• 尝试在Jupyter Notebook中运行代码示例。
• 使用自己的数据应用这些方法，观察效果。
• 参考Pandas官方文档获取更多高级功能。