在进行合并时重塑熊猫数据框

Question

我有一个pandas.DataFrame ( df)和一些元数据，其中有一个ID，Column并且Value我想与另一个结合df ，例如：

df_map = pd.DataFrame({"ID" : [3, 7, 17], "Column" : ["A1", "B7", "C17"], 

                       "Value" : ["ValA1", "ValB7", "ValC17"]})

我想将 上面（为了更好的词）与下面结合起来df，其中列名与上面的行条目匹配，Column下面df的行值与上面的行值匹配ID。

df_main = pd.DataFrame({"A1" : [3, 6], "A5" : [5, 10], "B7" : [7, 14] , 

                        "C17" : [17, 34], "C19" : [19, 38] })

因此，我想将这些合并到这样一种方式，即我通过将它们添加为匹配的附加维度来df's根据列重塑它，即ValueID'sdf_result = combine(df_map, df_main)

我基本上期望结果如下

df_result = pd.DataFrame({"A1" : [3, 6], "A5" : [5, 10], "B7" : [7, 14] ,

                          "C17" : [17, 34], "C19" : [19, 38], "Value A1" : ["ValA1", None],

                         "Value B7" : ["ValB7", None], "Value C17" : ["ValC17", None ]})

Out[30]:

   A1  A5  B7  C17  C19 Value A1 Value B7 Value C17

0   3   5   7   17   19    ValA1    ValB7    ValC17

1   6  10  14   34   38     None     None      None

不确定执行此操作的最佳方法pandas？

Answer 1

首先DataFrame.meltwith 转换index为 column 以避免在DataFrame.merge左连接中丢失，然后通过DataFrame.set_indexwith重新整形DataFrame.unstack，仅删除缺少的列DataFrame.dropna，最后MultiIndex用展平map：df = (df_main.reset_index()             .melt('index',var_name='Column', value_name='ID')             .merge(df_map, how='left')             .set_index(['index', 'Column'])             .unstack()             .rename_axis(None)             .dropna(how='all', axis=1))df.columns = df.columns.map('_'.join)print (df)   ID_A1  ID_A5  ID_B7  ID_C17  ID_C19 Value_A1 Value_B7 Value_C170      3      5      7      17      19    ValA1    ValB7    ValC171      6     10     14      34      38      NaN      NaN       NaN

Answer 2

Series.map和pandas.concat的替代解决方案：df2=pd.concat([df_main.T[key].map(df_map.set_index('ID')['Value']) for key in df_main.index.tolist()],axis=1).T.add_prefix('Value_')df_main=pd.concat([df_main,df2],axis=1)df_main.dropna(how='all',axis=1,inplace=True)print(df_main)   A3  A5  B7  C17  C19 Value_A3 Value_B7 Value_C170   3   5   7   17   19    ValA1    ValB7    ValC171   6  10  14   34   38      NaN      NaN       NaN