python二維表格怎么轉換成一維表格

# Python二維表格怎么轉換成一維表格

在數據處理和分析中，經常需要將二維表格（寬格式）轉換為一維表格（長格式）。這種轉換能夠簡化數據聚合、可視化等操作。本文將介紹如何使用Python中的Pandas庫實現這一轉換。

## 一、什么是二維表格和一維表格

### 1. 二維表格（寬格式）
二維表格的特點是：
- 通常包含行索引和列名
- 一個觀測值可能分散在多個列中
- 適合人類閱讀但不便于機器處理

示例：
| 姓名   | 數學 | 語文 | 英語 |
|--------|------|------|------|
| 張三   | 90   | 85   | 92   |
| 李四   | 78   | 88   | 85   |

### 2. 一維表格（長格式）
一維表格的特點是：
- 每行代表一個完整的觀測值
- 通常包含鍵值對形式的數據
- 更適合機器處理和分析

轉換后示例：
| 姓名   | 科目 | 成績 |
|--------|------|------|
| 張三   | 數學 | 90   |
| 張三   | 語文 | 85   |
| 張三   | 英語 | 92   |
| 李四   | 數學 | 78   |
| 李四   | 語文 | 88   |
| 李四   | 英語 | 85   |

## 二、使用Pandas進行轉換

### 1. 基礎方法：melt()
`melt()`是Pandas提供的專門用于寬表轉長表的函數：

```python
import pandas as pd

# 創建示例DataFrame
df = pd.DataFrame({
    '姓名': ['張三', '李四'],
    '數學': [90, 78],
    '語文': [85, 88],
    '英語': [92, 85]
})

# 使用melt轉換
long_df = df.melt(
    id_vars=['姓名'],         # 保留的列
    value_vars=['數學', '語文', '英語'],  # 要轉換的列
    var_name='科目',         # 新列名(原列名)
    value_name='成績'        # 新列名(原值)
)

print(long_df)

2. 進階方法：stack()

當需要處理多級索引時，stack()方法更靈活：

# 設置姓名作為索引
df.set_index('姓名', inplace=True)

# 使用stack轉換
stacked = df.stack().reset_index()
stacked.columns = ['姓名', '科目', '成績']

print(stacked)

3. 處理多變量情況

當需要同時轉換多個測量變量時：

# 包含多個測量指標的示例
df_complex = pd.DataFrame({
    '學生': ['A', 'B'],
    '數學_期中': [85, 76],
    '數學_期末': [90, 82],
    '語文_期中': [88, 90],
    '語文_期末': [92, 88]
})

# 分步驟轉換
melted = df_complex.melt(id_vars=['學生'], var_name='科目_考試')
melted[['科目', '考試類型']] = melted['科目_考試'].str.split('_', expand=True)
final_df = melted.pivot_table(
    index=['學生', '科目'],
    columns='考試類型',
    values='value'
).reset_index()

print(final_df)

三、實際應用場景

1. 數據可視化準備

大多數可視化庫（如Matplotlib、Seaborn）更適合處理長格式數據：

import seaborn as sns
import matplotlib.pyplot as plt

# 使用轉換后的數據繪圖
sns.barplot(data=long_df, x='姓名', y='成績', hue='科目')
plt.show()

2. 數據庫存儲優化

長格式數據更適合關系型數據庫存儲，避免動態添加列。

3. 機器學習數據預處理

許多機器學習算法要求輸入數據為長格式。

四、性能優化技巧

1. 指定數據類型：轉換前使用astype()明確數據類型

   df[['數學','語文','英語']] = df[['數學','語文','英語']].astype('int16')
   

2. 分批處理：對于大型數據集，使用chunksize參數分批處理

3. 使用分類類型：對重復的字符串列使用分類類型節省內存

   long_df['科目'] = long_df['科目'].astype('category')
   

五、常見問題解決

1. 處理缺失值

轉換前建議先處理缺失值：

df.fillna(0, inplace=True)  # 或用其他填充方式

2. 保留原始索引

如需保留原始索引信息：

df.reset_index(inplace=True)
long_df = df.melt(id_vars=['index', '姓名'], ...)

3. 反向轉換：長表轉寬表

使用pivot()或pivot_table()：

wide_df = long_df.pivot(index='姓名', columns='科目', values='成績')

六、總結

二維表格轉換為一維表格是數據預處理的重要步驟。通過Pandas提供的melt()、stack()等方法，可以高效完成這種轉換。掌握這些技巧能夠：

1. 使數據更適合機器處理
2. 方便后續分析和可視化
3. 優化存儲空間
4. 滿足特定算法的輸入要求

建議讀者在實際項目中多加練習，根據具體需求選擇最適合的轉換方法。 “`