今天就跟大家聊聊有关Python数据分析中宽表是如何重构为长表，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
今天，先来了解Pandas封装的顶层函数部分，其一：melt()函数，它位于Pandas包的最顶层，结构如下：
Pandas
|
melt()
melt()函数的原型如下：
frame为list型参数，后面都为position型参数。前者为通常意义的*args, 后者为 **kwargs.
frame不难猜测为Pandas的二维数组结构DataFrame，其他参数含义通过如下几个例子观察。
构造df 结构如下：
执行如下操作：
pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
结果如下：
观察
变化后的df行数变多了，A列名称保持不变;
第二列的column名称变为variable，取值变为 B 和 C（正好等于melt函数的第三个参数 value_vars）；
第三列名为value，取值为原df的B和C列的值。
再验证
pd.melt(df2, id_vars=['a'], value_vars=['b', 'c', 'd'])
变化后的结构行数明显变更多了，由9行组成，但是列变少了，只有3列。
这里面引出2个概念：
宽表( wide format) ：指列数比较多
长表( long format) ：行数比较多
回头核对官方给定melt的功能和参数
注意用词：unpivot 变化 DataFrame从宽格式到长格式，选择性地保留标示列，其实就是指 id_vars参数。
以上为两个最主要的参数，第二个value_vars指需要upivot的列。
思考
melt()函数的作用，它能将宽表变化为长表。在做特征分析列数较多，即为宽表时，我们不妨选择某些列为unpivot列，从而降低维度，增加行数据实现对数据的重构。
官方解释melt()中变化这个词使用了unpivot，因此大胆猜测它的逆操作为 pivot()。
看完上述内容，你们对Python数据分析中宽表是如何重构为长表有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注亿速云行业资讯频道，感谢大家的支持。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
