如何从具有相同键值的两个字典创建一个熊猫数据框？

Question

假设我有两个以下形式的字典：

{'A':[1,2,3,4,5,6,7],

 'B':[12,13,14,15,16,17,18} - Belongs to category "M"

{'A':[8,9,10,11,12,13,14],

 'B':[18,19,20,21,22,23,24]} - Belongs to category "P"

现在生成的数据框应该是这样的形式——

Name . Value . Category

A    .  1    .  M

A    .  8    .  P

A    .  10   .  P

B    .  12   .  M

等等。如何实现这样的目标？

Answer 1

设置d1 = {'A': [1, 2, 3, 4, 5, 6, 7], 'B': [12, 13, 14, 15, 16, 17, 18]}d2 = {'A': [8, 9, 10, 11, 12, 13, 14], 'B': [18, 19, 20, 21, 22, 23, 24]}categories = ['M', 'P']dcts = [d1, d2]假设您知道哪个类别与哪个字典对应，您可以重组您的字典并使用concat：dfs = [    pd.DataFrame([[k, el, cat] for k, v in dct.items() for el in v])    for dct, cat in zip(dcts, categories)]cols = {'columns': {0: 'Name', 1: 'Value', 2: 'Category'}}pd.concat(dfs).reset_index(drop=True).rename(**cols)   Name  Value Category0     A      1        M1     A      2        M2     A      3        M3     A      4        M4     A      5        M5     A      6        M6     A      7        M7     B     12        M8     B     13        M9     B     14        M10    B     15        M11    B     16        M12    B     17        M13    B     18        M14    A      8        P15    A      9        P16    A     10        P17    A     11        P18    A     12        P19    A     13        P20    A     14        P21    B     18        P22    B     19        P23    B     20        P24    B     21        P25    B     22        P26    B     23        P27    B     24        P

Answer 2

解决方案这是一种比 user3483203 建议的更讨人喜欢的方法。这避免了不必要的迭代，速度更快（对于足够大的数据集），并且更符合习惯。m = {'A':[1,2,3,4,5,6,7],     'B':[12,13,14,15,16,17,18]}p = {'A':[8,9,10,11,12,13,14],     'B':[18,19,20,21,22,23,24]}p_df = pd.DataFrame(p).melt(value_name='value')m_df = pd.DataFrame(m).melt(value_name='value')p_df['category'] = 'P'm_df['category'] = 'M'result = pd.concat([m_df, p_df], ignore_index=True)基准（对于更大的数据集）：m = {'A': list(range(0, 100_000)), 'B': list(range(100_000, 200_000))}p = {'A': list(range(200_000, 300_000)), 'B': list(range(300_000, 400_000))}开始了：%%timeitp_df = pd.DataFrame(p).melt(value_name='value')m_df = pd.DataFrame(m).melt(value_name='value')p_df['category'] = 'P'm_df['category'] = 'M'result = pd.concat([m_df, p_df], ignore_index=True)每个循环 120 ms ± 3.16 ms（7 次运行的平均值 ± 标准偏差，每次 10 次循环）%%timeitcategories = ['M', 'P']dcts = [m, p]dfs = [    pd.DataFrame([[k, el, cat] for k, v in dct.items() for el in v])    for dct, cat in zip(dcts, categories)]cols = {'columns': {0: 'Name', 1: 'Value', 2: 'Category'}}result = pd.concat(dfs).reset_index(drop=True).rename(**cols)每个循环 207 ms ± 8.9 ms（7 次运行的平均值 ± 标准偏差，每次 1 次循环）