API · Pandas
Pandas DataFrame DataFrame.transpose()函式
Pandas DataFrame transpose()函式將 DataFrame 的行改為列,反之亦然。
本頁內容
使用 DataFrame.transpose() 交換 pandas DataFrame 的列與欄。回傳的 DataFrame 會以原本的列標籤作為欄標籤,並以原本的欄標籤作為列標籤。本指南的範例在 pandas 3.1 上執行,除了不帶引數的呼叫之外,還介紹 T 快捷方式、數字與文字混合時資料型別受到的影響,以及轉置結果與原始資料共享記憶體的方式。
DataFrame.transpose() 的語法
在要轉置的物件上呼叫此方法:df.transpose()。它會回傳轉置後的 DataFrame;原始物件仍可透過 df 使用。
import pandas as pd
transposed = dataframe.transpose()
此方法的簽章還接受 *args 與 copy 關鍵字,兩者都是為了相容 NumPy API 與舊版 pandas 程式碼而保留的。在一般呼叫中兩者都沒有用處:pandas 不接受軸位置(傳入後會發生什麼,請見下方的錯誤章節),而且 pandas 3 已棄用 copy 關鍵字,因為寫入時複製(Copy-on-Write)已經決定了何時複製資料。
範例:使用 DataFrame.transpose() 轉置 DataFrame
此範例會建立一個包含學生姓名、出席狀況與分數的小型表格。呼叫方法後,原本的每個欄都會變成一列,而原本的每個索引標籤都會變成一欄。
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": [60, 100, 80, 78, 95],
"Name": ["Olivia", "John", "Laura", "Ben", "Kevin"],
"Obtained Marks": [90, 75, 82, 64, 45],
}
)
transposed = dataframe.transpose()
print(transposed)
輸出:
0 1 2 3 4
Attendance 60 100 80 78 95
Name Olivia John Laura Ben Kevin
Obtained Marks 90 75 82 64 45
查看標籤有助於確認列與欄的交換方向:結果中的列標籤是 Attendance、Name 和 Obtained Marks,而欄標籤則是 0 到 4。
轉置資料型別相同的 DataFrame
當每個欄都包含整數時,輸入資料的值具有相同型別。轉置後,查看前後兩組欄的 dtype,了解此範例在你的 pandas 環境中如何呈現。
import pandas as pd
dataframe = pd.DataFrame(
{
"A": [6, 20, 80, 78, 95],
"B": [60, 50, 7, 67, 54],
}
)
transposed = dataframe.transpose()
print("Original values:")
print(dataframe)
print("Transposed values:")
print(transposed)
print("Original dtypes:")
print(dataframe.dtypes)
print("Transposed dtypes:")
print(transposed.dtypes)
輸出:
Original values:
A B
0 6 60
1 20 50
2 80 7
3 78 67
4 95 54
Transposed values:
0 1 2 3 4
A 6 20 80 78 95
B 60 50 7 67 54
Original dtypes:
A int64
B int64
dtype: object
Transposed dtypes:
0 int64
1 int64
2 int64
3 int64
4 int64
dtype: object
此輸入有五列,標籤為 0 到 4,以及兩欄 A 和 B,因此結果會有兩列與五欄。由於每個輸入欄都包含整數,轉置後的欄會保持 int64 資料型別:當 DataFrame 的所有欄共享同一種資料型別時,轉置後的各欄也會保持該型別。下一個範例將展示當各欄型別不一致時會有什麼變化。
轉置資料型別混合的 DataFrame
DataFrame 的各欄可以有不同型別。此處有兩欄包含數值,另一欄包含姓名。程式碼會顯示操作前後的值與 dtype,方便你檢視這筆輸入轉置後的結果。
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": [60, 100, 80, 78, 95],
"Name": ["Olivia", "John", "Laura", "Ben", "Kevin"],
"Obtained Marks": [90, 75, 82, 64, 45],
}
)
transposed = dataframe.transpose()
print("Original values:")
print(dataframe)
print("Transposed values:")
print(transposed)
print("Original dtypes:")
print(dataframe.dtypes)
print("Transposed dtypes:")
print(transposed.dtypes)
輸出:
Original values:
Attendance Name Obtained Marks
0 60 Olivia 90
1 100 John 75
2 80 Laura 82
3 78 Ben 64
4 95 Kevin 45
Transposed values:
0 1 2 3 4
Attendance 60 100 80 78 95
Name Olivia John Laura Ben Kevin
Obtained Marks 90 75 82 64 45
Original dtypes:
Attendance int64
Name str
Obtained Marks int64
dtype: object
Transposed dtypes:
0 object
1 object
2 object
3 object
4 object
dtype: object
值本身原封不動地移動,但請比較資料型別:轉置後的 DataFrame 中每一欄的資料型別都是 object,包括那些只包含數字的欄。現在每一欄都合併了兩個整數欄與 Name 欄的值,而 object 是唯一能同時容納這些值的型別。數字仍然存在,只是以通用 Python 物件的形式儲存,而不是 int64 值。
混合轉置把數字變成物件時
這種資料型別的遺失不只是表面問題。現在,對整個轉置後 DataFrame 的算術運算會觸及 Name 列中儲存的字串並失敗:
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": [60, 100, 80, 78, 95],
"Name": ["Olivia", "John", "Laura", "Ben", "Kevin"],
"Obtained Marks": [90, 75, 82, 64, 45],
}
)
transposed = dataframe.transpose()
print(transposed + 1)
輸出:
TypeError: can only concatenate str (not "int") to str
再次轉置可以還原原本的版面配置,但不能還原原本的資料型別:還原後的 DataFrame 每一欄仍為 object。若要重新使用真正的數字,請用 astype() 轉換那些應為數字的列:
import pandas as pd
dataframe = pd.DataFrame(
{
"Attendance": [60, 100, 80, 78, 95],
"Name": ["Olivia", "John", "Laura", "Ben", "Kevin"],
"Obtained Marks": [90, 75, 82, 64, 45],
}
)
transposed = dataframe.transpose()
restored = transposed.transpose()
print("Dtypes after transposing back:")
print(restored.dtypes)
numeric_rows = transposed.loc[["Attendance", "Obtained Marks"]].astype(int)
print("Dtypes of the recovered numeric rows:")
print(numeric_rows.dtypes)
輸出:
Dtypes after transposing back:
Attendance object
Name object
Obtained Marks object
dtype: object
Dtypes of the recovered numeric rows:
0 int64
1 int64
2 int64
3 int64
4 int64
dtype: object
這裡的轉換只選取兩個數字列。如果把 Name 列也包含進來,astype(int) 會在姓名處失敗,因此應將文字列排除在選取之外。
使用 T 快捷方式轉置
T 屬性是不帶引數呼叫的快捷方式,會回傳相同的 DataFrame。對於非方陣的 DataFrame,從形狀就能一眼看出交換結果:五列兩欄變成兩列五欄。轉置兩次會還原原始 DataFrame;對於這個型別一致的輸入,equals() 證實往返之後值與資料型別都得以保留,這一點與上方的混合範例不同。
import pandas as pd
dataframe = pd.DataFrame(
{
"A": [6, 20, 80, 78, 95],
"B": [60, 50, 7, 67, 54],
}
)
print("Original shape:", dataframe.shape)
print("Transposed shape:", dataframe.T.shape)
print("T matches transpose():", dataframe.T.equals(dataframe.transpose()))
print("Transposing twice restores the original:", dataframe.T.T.equals(dataframe))
輸出:
Original shape: (5, 2)
Transposed shape: (2, 5)
T matches transpose(): True
Transposing twice restores the original: True
轉置後的 DataFrame 如何與原始資料共享記憶體
轉置後的 DataFrame 不是資料的獨立副本。預設情況下,它是與原始資料共享記憶體的檢視,numpy.shares_memory() 可以證實這一點:
import numpy as np
import pandas as pd
dataframe = pd.DataFrame(
{
"A": [6, 20, 80, 78, 95],
"B": [60, 50, 7, 67, 54],
}
)
transposed = dataframe.transpose()
print("Shares memory with the original:", np.shares_memory(transposed, dataframe))
transposed.iloc[0, 0] = 999
print("Value in the transposed frame:", transposed.loc["A", 0])
print("Value in the original frame:", dataframe.loc[0, "A"])
輸出:
Shares memory with the original: True
Value in the transposed frame: 999
Value in the original frame: 6
共享記憶體並不意味著修改會洩漏到原始資料中。自 pandas 3.0 起始終啟用的寫入時複製會在第一次寫入時複製受影響的資料,因此上方的賦值只改變轉置後的 DataFrame,原始資料保持其值不變。如果需要從一開始就完全獨立的 DataFrame,請對結果呼叫 .copy()。
錯誤與邊界情況
簽章中的 *args 容易讓人沿用 NumPy 的習慣,但 pandas 始終交換 DataFrame 的兩個軸,不接受任何軸排列:
import pandas as pd
dataframe = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
print(dataframe.transpose(1))
輸出:
ValueError: the 'axes' parameter is not supported in the pandas implementation of transpose()
像 (1, 0) 這樣的元組也會以同樣的 ValueError 失敗。另一方面,退化的形狀是有效輸入,而不是錯誤:
import pandas as pd
empty = pd.DataFrame(columns=["A", "B"])
print("Original shape:", empty.shape)
print("Transposed shape:", empty.transpose().shape)
single_row = pd.DataFrame({"A": [1], "B": [2], "C": [3]})
print(single_row.transpose())
輸出:
Original shape: (0, 2)
Transposed shape: (2, 0)
0
A 1
B 2
C 3
一個有欄但沒有列的 DataFrame 會把形狀 (0, 2) 換成 (2, 0);而單列 DataFrame 會變成只有一欄,其索引為原來的欄標籤。