Fonction Pandas DataFrame DataFrame.transpose()
-
Syntaxe de
pandas.DataFrame.transpose() -
Exemples de codes :
DataFrame.transpose() -
Exemples de codes :
DataFrame.transpose()pour transposer desDataFrameavec des types de données homogènes -
Exemples de codes :
DataFrame.transpose()pour transposer unDataFrameavec des types de données mixtes
La fonction Python Pandas DataFrame.transpose() change les lignes de la DataFrame en colonnes, et les colonnes en lignes. En d’autres termes, elle génère un nouveau DataFrame qui est la transposition du DataFrame d’origine.
Syntaxe de pandas.DataFrame.transpose()
DataFrame.transpose(*args, copy=False)
Paramètres
*args |
Ce sont les arguments supplémentaires de mots-clés pour la compatibilité avec numpy. |
copy |
Il s’agit d’une valeur booléenne. Elle décide si les valeurs de la DataFrame seront copiées ou non après avoir pris la transposition. Par défaut, sa valeur est False. |
Renvoie
Il retourne une DataFrame transposée. Les lignes de la DataFrame originale sont des colonnes dans la DataFrame retournée et vice versa.
Exemples de codes : DataFrame.transpose()
Nous mettrons en œuvre cette fonction dans les prochains codes.
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)
L’exemple DataFrame est,
Attendance Name Obtained Marks
0 60 Olivia 90
1 100 John 75
2 80 Laura 82
3 78 Ben 64
4 95 Kevin 45
Tous les paramètres de cette fonction sont facultatifs. Si nous exécutons cette fonction sans passer aucun paramètre, elle produit la sortie suivante.
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)
Production:
0 1 2 3 4
Attendance 60 100 80 78 95
Name Olivia John Laura Ben Kevin
Obtained Marks 90 75 82 64 45
Exemples de codes : DataFrame.transpose() pour transposer des DataFrame avec des types de données homogènes
Le comportement de cette fonction est différent pour les types de données homogènes et mixtes. Nous allons l’analyser une par une. Si nous avons un type homogène DataFrame, alors les types de données de l’original et des DataFrames transposées sont les mêmes.
La DataFrame avec les types de données homogènes est la suivante
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)
Notre DataFrame est,
A B
0 6 60
1 20 50
2 80 7
3 78 67
4 95 54
5 98 34
Pour obtenir la transposition de ce DataFrame,
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)
Production:
0 1 2 3 4
A 6 20 80 78 95
B 60 50 7 67 54
Maintenant, analysons les types de données de la DataFrame originale et de la DataFrame retournée.
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)
Production:
A int64
B int64
dtype: object
0 int64
1 int64
2 int64
3 int64
4 int64
dtype: object
Notez que les types de données des DataFrames originales et transposées sont les mêmes.
Exemples de codes : DataFrame.transpose() pour transposer un DataFrame avec des types de données mixtes
Si nous avons un type mixte DataFrame, alors les types de données de l’original et des DataFrames transposées sont différents. La DataFrame transposée a des types de données objets. La DataFrame avec les types de données mixtes est la suivante
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)
Notre DataFrame est,
Attendance Name Obtained Marks
0 60 Olivia 90
1 100 John 75
2 80 Laura 82
3 78 Ben 64
4 95 Kevin 45
Pour obtenir la transposition de ce DataFrame,
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)
Production:
0 1 2 3 4
Attendance 60 100 80 78 95
Name Olivia John Laura Ben Kevin
Obtained Marks 90 75 82 64 45
Maintenant, analysons les types de données de la DataFrame originale et de la DataFrame retournée.
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)
Production:
Attendance int64
Name object
Obtained Marks int64
dtype: object
0 object
1 object
2 object
3 object
4 object
dtype: object
Notez que les types de données de la DataFrame transposée sont du type de données object.