Pandas DataFrame DataFrame.transpose()-Funktion
-
Syntax von
pandas.DataFrame.transpose() -
Beispiel-Codes:
DataFrame.transpose() -
Beispiel-Codes:
DataFrame.transpose()zur Transponierung vonDataFramemit homogenen Datentypen -
Beispiel-Codes:
DataFrame.transpose()zur Transponierung vonDataFramemit gemischten Datentypen
Die Funktion Python Pandas DataFrame.transpose() ändert die Zeilen des DataFrame in Spalten und Spalten in Zeilen. Mit anderen Worten, sie erzeugt einen neuen DataFrame, der die Transponierung des ursprünglichen DataFrame ist.
Syntax von pandas.DataFrame.transpose()
DataFrame.transpose(*args, copy=False)
Parameter
*args |
Dies sind die zusätzlichen Stichwortargumente für die Kompatibilität mit NumPy. |
copy |
Es ist ein boolescher Wert. Er entscheidet, ob die Werte des DataFrame nach der Transponierung kopiert werden oder nicht. Standardmäßig ist sein Wert False. |
Zurück
Es gibt einen transponierten DataFrame zurück. Die Zeilen des ursprünglichen DataFrame sind Spalten im zurückgegebenen DataFrame und umgekehrt.
Beispiel-Codes: DataFrame.transpose()
Wir werden diese Funktion in den nächsten Codes implementieren.
import pandas as pd
dataframe=pd.DataFrame({
'Attendance':
{0: 60,
1: 100,
2: 80,
3: 78,
4: 95},
'Name':
{0: 'Olivia',
1: 'John',
2: 'Laura',
3: 'Ben',
4: 'Kevin'},
'Obtained Marks':
{0: 90,
1: 75,
2: 82,
3: 64,
4: 45}
})
print(dataframe)
Das Beispiel DataFrame ist,
Attendance Name Obtained Marks
0 60 Olivia 90
1 100 John 75
2 80 Laura 82
3 78 Ben 64
4 95 Kevin 45
Alle Parameter dieser Funktion sind optional. Wenn wir diese Funktion ausführen, ohne einen Parameter zu übergeben, erzeugt sie die folgende Ausgabe.
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": {0: 60, 1: 100, 2: 80, 3: 78, 4: 95},
"Name": {0: "Olivia", 1: "John", 2: "Laura", 3: "Ben", 4: "Kevin"},
"Obtained Marks": {0: 90, 1: 75, 2: 82, 3: 64, 4: 45},
}
)
dataframe1 = dataframe.transpose()
print(dataframe1)
Ausgabe:
0 1 2 3 4
Attendance 60 100 80 78 95
Name Olivia John Laura Ben Kevin
Obtained Marks 90 75 82 64 45
Beispiel-Codes: DataFrame.transpose() zur Transponierung von DataFrame mit homogenen Datentypen
Das Verhalten dieser Funktion ist für homogene und gemischte Datentypen unterschiedlich. Wir werden sie der Reihe nach analysieren. Wenn wir einen homogenen Typ DataFrame haben, dann sind die Datentypen des originalen und des transponierten Dataframes die gleichen.
Der DataFrame mit den homogenen Datentypen ist wie folgt
import pandas as pd
dataframe = pd.DataFrame(
{"A": {0: 6, 1: 20, 2: 80, 3: 78, 4: 95}, "B": {0: 60, 1: 50, 2: 7, 3: 67, 4: 54}}
)
print(dataframe)
Unser DataFrame ist,
A B
0 6 60
1 20 50
2 80 7
3 78 67
4 95 54
5 98 34
Um die Transponierung dieses DataFrame zu erhalten,
import pandas as pd
dataframe = pd.DataFrame(
{"A": {0: 6, 1: 20, 2: 80, 3: 78, 4: 95}, "B": {0: 60, 1: 50, 2: 7, 3: 67, 4: 54}}
)
dataframe1 = dataframe.transpose()
print(dataframe1)
Ausgabe:
0 1 2 3 4
A 6 20 80 78 95
B 60 50 7 67 54
Nun wollen wir die Datentypen des ursprünglichen DataFrame und des zurückgegebenen DataFrame analysieren.
import pandas as pd
dataframe = pd.DataFrame(
{"A": {0: 6, 1: 20, 2: 80, 3: 78, 4: 95}, "B": {0: 60, 1: 50, 2: 7, 3: 67, 4: 54}}
)
dataframe1 = dataframe.transpose()
print(dataframe.dtypes)
print(dataframe1.dtypes)
Ausgabe:
A int64
B int64
dtype: object
0 int64
1 int64
2 int64
3 int64
4 int64
dtype: object
Beachten Sie, dass die Datentypen des originalen und des transponierten DataFrames gleich sind.
Beispiel-Codes: DataFrame.transpose() zur Transponierung von DataFrame mit gemischten Datentypen
Wenn wir einen gemischten Typ DataFrame haben, dann sind die Datentypen des originalen und des transponierten Dataframes unterschiedlich. Der transponierte DataFrame hat Objekt-Datentypen. Der DataFrame mit den gemischten Datentypen ist wie folgt
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": {0: 60, 1: 100, 2: 80, 3: 78, 4: 95},
"Name": {0: "Olivia", 1: "John", 2: "Laura", 3: "Ben", 4: "Kevin"},
"Obtained Marks": {0: 90, 1: 75, 2: 82, 3: 64, 4: 45},
}
)
print(dataframe)
Unser DataFrame ist,
Attendance Name Obtained Marks
0 60 Olivia 90
1 100 John 75
2 80 Laura 82
3 78 Ben 64
4 95 Kevin 45
Um die Transponierung dieses DataFrame zu erhalten,
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": {0: 60, 1: 100, 2: 80, 3: 78, 4: 95},
"Name": {0: "Olivia", 1: "John", 2: "Laura", 3: "Ben", 4: "Kevin"},
"Obtained Marks": {0: 90, 1: 75, 2: 82, 3: 64, 4: 45},
}
)
dataframe1 = dataframe.transpose()
print(dataframe1)
Ausgabe:
0 1 2 3 4
Attendance 60 100 80 78 95
Name Olivia John Laura Ben Kevin
Obtained Marks 90 75 82 64 45
Nun wollen wir die Datentypen des ursprünglichen DataFrame und des zurückgegebenen DataFrame analysieren.
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": {0: 60, 1: 100, 2: 80, 3: 78, 4: 95},
"Name": {0: "Olivia", 1: "John", 2: "Laura", 3: "Ben", 4: "Kevin"},
"Obtained Marks": {0: 90, 1: 75, 2: 82, 3: 64, 4: 45},
}
)
dataframe1 = dataframe.transpose()
print(dataframe.dtypes)
print(dataframe1.dtypes)
Ausgabe:
Attendance int64
Name object
Obtained Marks int64
dtype: object
0 object
1 object
2 object
3 object
4 object
dtype: object
Beachten Sie, dass die Datentypen des transponierten DataFrame vom Datentyp Object sind.