J'ai les données suivantes comme configuration:
df = pd.pivot_table(
df,
index=['index_1', 'index_2'],
columns=['month'],
# The 2 following lines are implicit, and don't change the output.
# values=['value_1', 'value_2'],
# aggfunc='sum'
)
print(df)
# value_1 value_2
# month feb jan feb jan
# index_1 index_2
# A A NaN 0.0 NaN 8.0
# B NaN 1.0 NaN 9.0
# C 2.0 NaN 10.0 NaN
# D 3.0 NaN 11.0 NaN
# B A NaN 4.0 NaN 12.0
# B NaN 5.0 NaN 13.0
# C 6.0 NaN 14.0 NaN
# D 7.0 NaN 15.0 NaN
Ma sortie attendue ressemblerait à ceci ... (je l'ai fait à la main)
print(expected_output)
# jan feb
# month value_1 value_2 value_1 value_2
# index_1 index_2
# A A 0.0 8.0 NaN NaN
# B 1.0 9.0 NaN NaN
# C NaN NaN 2.0 10.0
# D NaN NaN 3.0 11.0
# B A 4.0 12.0 NaN NaN
# B 5.0 13.0 NaN NaN
# C NaN NaN 6.0 14.0
# D NaN NaN 7.0 15.0
3 Réponses :
Utilisez Catégoriel ordonné pour un tri correct des mois avec DataFrame.swaplevel et DataFrame.sort_index :
months = ['jan', 'feb', 'mar', 'apr', 'may', 'jun', 'jul', 'aAug', 'sep', 'oct', 'nov', 'dec']
df['month'] = pd.Categorical(df['month'], categories=months, ordered=True)
df = (df.set_index(['index_1','index_2','month'])
.unstack()
.swaplevel(0,1, axis=1)
.sort_index(axis=1))
print (df)
month jan feb
value_1 value_2 value_1 value_2
index_1 index_2
A A 0.0 8.0 NaN NaN
B 1.0 9.0 NaN NaN
C NaN NaN 2.0 10.0
D NaN NaN 3.0 11.0
B A 4.0 12.0 NaN NaN
B 5.0 13.0 NaN NaN
C NaN NaN 6.0 14.0
D NaN NaN 7.0 15.0
Ou:
months = ['jan', 'feb', 'mar', 'apr', 'may', 'jun', 'jul', 'aAug', 'sep', 'oct', 'nov', 'dec']
df['month'] = pd.Categorical(df['month'], categories=months, ordered=True)
df = pd.pivot_table(
df,
index=['index_1', 'index_2'],
columns=['month'],
).swaplevel(0,1, axis=1).sort_index(axis=1)
print(df)
month jan feb
value_1 value_2 value_1 value_2
index_1 index_2
A A 0.0 8.0 NaN NaN
B 1.0 9.0 NaN NaN
C NaN NaN 2.0 10.0
D NaN NaN 3.0 11.0
B A 4.0 12.0 NaN NaN
B 5.0 13.0 NaN NaN
C NaN NaN 6.0 14.0
D NaN NaN 7.0 15.0
que diriez-vous de stack et unstack :
month jan feb
value_1 value_2 value_1 value_2
index_1 index_2
A A 0.0 8.0 NaN NaN
B 1.0 9.0 NaN NaN
C NaN NaN 2.0 10.0
D NaN NaN 3.0 11.0
B A 4.0 12.0 NaN NaN
B 5.0 13.0 NaN NaN
C NaN NaN 6.0 14.0
D NaN NaN 7.0 15.0
df.set_index(['index_1','index_2','month']).stack().unstack([2,3])
import pandas as pd
df = pd.DataFrame({
'index_1' : ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'],
'index_2' : ['A', 'B', 'C', 'D', 'A', 'B', 'C', 'D'],
'month' : ['jan', 'jan', 'feb', 'feb', 'jan', 'jan', 'feb', 'feb'],
'value_1' : range(0, 8),
'value_2' : range(8, 16)})
print(df)
df = df.set_index(['index_1','index_2','month']).unstack(level=-1)
print(df)
Instead of a pivot table this is something called a hierarchical index.