我有一个粗略格式的熊猫数据框
print(df)
Time GroupA GroupB Value1 Value2
0 100.0 1.0 1.0 18.0 0.0
1 100.0 1.0 2.0 16.0 0.0
2 100.0 2.0 1.0 18.0 0.0
3 100.0 2.0 2.0 10.0 0.0
其中Time是一个计数变量/时间戳，GroupA和GroupB是类别，以及Value1和Value2是数值量。此代码段创建了一个模型数据框：
import numpy as np
values = np.zeros(shape=(4,5))
values[:,0] = 100
values[:,1] = [1]*2 + [2]*2
values[:,2] = [1,2]*2
values[:,3] = np.random.randint(low=10,high=20,size=(4))
df = pd.DataFrame(values,columns=['Time','GroupA','GroupB','Value1','Value2'])
加载一些数据后，我想计算并填写Value2. 当它发生时（顺便说一句，因为Value2是Value1每个现有 ( GroupA, GroupB) 对中的时间序列函数），我发现通过首先将我的数据转换为以下形式来计算这些值最容易：
df_pivot = df.pivot_table(index='Time',columns=['GroupA','GroupB'],values=['Value1','Value2'], fill_value=0.0)
然后在一些不相关的代码之后我填写了值
print(df_pivot)
Value1 Value2
GroupA 1.0 2.0 1.0 2.0
GroupB 1.0 2.0 1.0 2.0 1.0 2.0 1.0 2.0
Time
100.0 13 16 16 10 27 20 28 20
现在我想将其“反透视”为df. 我可以通过循环df、查找 中的值df_pivot并填充它来手动执行此操作，但我更喜欢使用内置函数。尝试使用 的变体时df.melt，由于df_pivot的分层列存在问题，我无法执行此反转。我最好的尝试是
dfm = df_pivot.reset_index().melt(id_vars="Time")
dfm.columns.values[1] = "HACK"
dfm = dfm.pivot_table(index=["Time","GroupA","GroupB"],columns="HACK",values="value").reset_index()
产生数据框
print(dfm)
HACK Time GroupA GroupB Value1 Value2
0 100.0 1.0 1.0 13 27
1 100.0 1.0 2.0 16 20
2 100.0 2.0 1.0 16 28
3 100.0 2.0 2.0 10 20
这有效，但并不让我觉得是最好的解决方案，或者非常便携（为什么melt会产生“NaN”列名？为什么我要手动查找该列的索引并重命名它？为什么我必须枢轴以撤消枢轴？）虽然尝试并查看文档和示例以寻找替代方案，但我不知所措。该melt函数有一个col_level看起来应该有帮助的参数，但我为此使用的任何有效值只会导致数据丢失（丢失“时间”、“组 A”或“组 B”数据）。
湖上湖
相关分类