Reformar el marco de datos de Pandas de ancho a largo

1. Formato de datos ancho frente a formato de datos largo en Pandas
2. Usos del formato de datos amplio
3. Usos del formato de datos largos
4. Use pd.melt() para remodelar el marco de datos de Pandas de formato ancho a largo
5. Use pd.unstack() para remodelar el marco de datos de Pandas de formato ancho a largo
6. Use pd.wide_to_long() para remodelar el marco de datos de Pandas de formato ancho a largo

Remodelar el marco de datos de Pandas es una de las tareas de disputa de datos más utilizadas en el análisis de datos. También se aborda como transportar, desmontar/girar una mesa de ancho a largo.

En este tutorial, aprenderemos la diferencia entre los formatos de datos anchos y largos, lo que conducirá a sus usos, seguido de diferentes ejemplos de código que demuestran cómo remodelar el marco de datos de Pandas de ancho a largo.

Formato de datos ancho frente a formato de datos largo en Pandas

Podemos tener un conjunto de datos en dos formatos: ancho o largo. La principal diferencia entre los formatos de datos anchos y largos se indica a continuación.

1. Formato de datos amplio: los valores de la primera columna no se repiten.
2. Formato de datos largo: los valores de la primera columna se repiten.

Tomemos los marcos de datos de ejemplo que contienen calificaciones de exámenes de “laboratorio” y “teoría” para los grupos A, B, C y D para comprender ambos formatos claramente.

Como podemos ver, ambos marcos de datos tienen la misma información pero en diferentes formatos.

¿Cuándo usar qué formato de datos para representar el conjunto de datos? Depende de lo que queramos hacer con los datos.

Usos del formato de datos amplio

El formato de datos amplio se usa para registrar datos del mundo real porque es fácil de entender para nuestros cerebros. También usamos este formato de datos si estamos analizando datos.

Tomemos el ejemplo anterior de tener calificaciones para los exámenes de laboratorio y teoría.

Si queremos calcular el promedio de los exámenes de laboratorio y teoría por grupo, sería más fácil mantener los datos en el formato ancho porque sería más fácil leer los valores de laboratorio y teoría para cada grupo en el mismo registro (fila).

Vea la siguiente captura de pantalla.

Usos del formato de datos largos

Principalmente usamos formato de datos largos cuando visualizamos múltiples variables en un gráfico usando alguna herramienta estadística, por ejemplo, el lenguaje de programación R.

Debemos tener que convertir el formato de datos ancho a largo para permitir que el software cree el gráfico, por ejemplo, trazar columnas múltiples, crear mapa de calor, etc. A veces, también necesitamos remodelar los conjuntos de datos para la disputa de datos usando Python.

Use pd.melt() para remodelar el marco de datos de Pandas de formato ancho a largo

Código de ejemplo:

import pandas as pd

df = pd.DataFrame(
    {
        "Groups": ["A", "B", "C", "D"],
        "lab": [25, 21, 14, 22],
        "theory": [60, 55, 49, 69],
    }
)

print("Wide Data Frame:\n")
print(df)

df = pd.melt(df, id_vars="Groups", value_vars=["lab", "theory"])

print("\n\nLong Data Frame:\n")
print(df)

Producción :

Wide Data Frame:

  Groups  lab  theory
0      A   25      60
1      B   21      55
2      C   14      49
3      D   22      69


Long Data Frame:

  Groups variable  value
0      A      lab     25
1      B      lab     21
2      C      lab     14
3      D      lab     22
4      A   theory     60
5      B   theory     55
6      C   theory     49
7      D   theory     69

Aquí tenemos un marco de datos con tres columnas, Grupos, laboratorio y teoría en un formato de datos ancho que convertimos a un formato de datos largo usando la función pd.melt().

pd.melt() se usa para cambiar un marco de datos de formato de datos ancho a largo (opcionalmente, dejando los identificadores establecidos). Transforma un marco de datos en un formato en el que una o varias columnas/campos son variables de identificación (id_vars).

Excluyendo los id_vars, todas las demás columnas se consideran variables medidas (value_vars). Estos no están pivotados en el eje de la fila, dejando dos columnas sin identificador (variable y valor).

Use pd.unstack() para remodelar el marco de datos de Pandas de formato ancho a largo

Código de ejemplo:

import pandas as pd

df = pd.DataFrame(
    {
        "Groups": ["A", "B", "C", "D"],
        "lab": [25, 21, 14, 22],
        "theory": [60, 55, 49, 69],
    }
)

print("Wide Data Frame:\n")
print(df)

df = df.unstack()

print("\n\nLong Data Frame:\n")
print(df)

Producción :

Wide Data Frame:

  Groups  lab  theory
0      A   25      60
1      B   21      55
2      C   14      49
3      D   22      69


Long Data Frame:

Groups  0     A
        1     B
        2     C
        3     D
lab     0    25
        1    21
        2    14
        3    22
theory  0    60
        1    55
        2    49
        3    69
dtype: object

Este ejemplo usa el mismo marco de datos que tiene tres columnas, “Grupos”, “laboratorio” y “teoría”, pero aquí estamos usando DataFrame.unstack para remodelar el marco de datos de formato de datos ancho a largo.

Gira el nivel de las etiquetas de índice (necesariamente jerárquicas) y devuelve un marco de datos que contiene un nuevo nivel de etiquetas de campo/columna cuyo nivel más interno tiene las etiquetas de índice pivotadas.

Recuerde, obtendremos una serie como salida si un índice no es el MultiIndex. Además, si se requiere una solución flexible y rápida para un problema en particular, prefiera pd.melt() en lugar de DataFrame.unstack().

Use pd.wide_to_long() para remodelar el marco de datos de Pandas de formato ancho a largo

Código de ejemplo:

import pandas as pd

df = pd.DataFrame(
    {
        "Groups": ["A", "B", "C", "D"],
        "lab1": [25, 21, 14, 22],
        "lab2": [25, 21, 14, 22],
        "theory1": [60, 55, 49, 69],
        "theory2": [60, 55, 49, 69],
    }
)

print("Wide Data Frame:\n")
print(df)

df = pd.wide_to_long(df, stubnames=["lab", "theory"], i="Groups", j="Exams")

print("\n\nLong Data Frame:\n")
print(df)

Producción :

Wide Data Frame:

  Groups  lab1  lab2  theory1  theory2
0      A    25    25       60       60
1      B    21    21       55       55
2      C    14    14       49       49
3      D    22    22       69       69


Long Data Frame:

Groups Exams  lab  theory
A      1       25      60
B      1       21      55
C      1       14      49
D      1       22      69
A      2       25      60
B      2       21      55
C      2       14      49
D      2       22      69

Aquí, tenemos un marco de datos con marcas lab1, lab2, theory1ytheory2 para cuatro grupos: A, B, C y D. Antes de entender la función pd.wide_to_long(), veamos la siguiente imagen para comprender cómo se transforma el formato de datos ancho en el formato de datos largos.

El pd.wide_to_long() funciona de una manera muy particular, en realidad usa la función pd.melt() debajo del capó. Acepta cuatro parámetros obligatorios que entenderemos a continuación, pero lo esencial es cómo se forman y muestran los nombres de las columnas.

Consulte el siguiente formato de columna para la función wide_to_long().

Estamos pasando cuatro parámetros a la función pd.wide_to_long() para remodelar el marco de datos de formato de datos ancho a largo. Los cuatro parámetros que utilizamos se enumeran a continuación:

1. df: este es el marco de datos que queremos remodelar.
2. stubnames: también podemos decir nombres de grupos (prefijos) que deben agruparse. En nuestro caso, se trata de laboratorio y teoría.
3. i: es la(s) variable(s) de identificador que se supone que no debe apilarse.
4. j - El nombre de la columna que contiene los sufijos, o podemos decir las etiquetas de las columnas.

Los parámetros opcionales son sep (separador) y sufijo. Puede leer más sobre pd.melt(), pd.wide_to_long() y DataFrame.unstack() aquí.