基于python中的无集合将单行拆分为多行

Question

我试图将包含15个变量的记录分成5个记录，第一个记录包含3个变量数据&其余12个变量为空值，第二个记录包含6个变量&其余9个变量为空值，第三个记录包含9个变量&其余6个变量为空值。

每个记录都有相同的类变量。

​

​

我正在试图找出一个python程序来在大约149个记录数据集上完成这个任务。

有人能帮忙吗。

谢谢你，N

Answer 1

您可以使用广播来屏蔽--它意味着比较np.arange按索引长度创建的数组和用列长度除以整数除以3的三元组的数组：

np.random.seed(2020)
df = (pd.DataFrame(np.random.rand(4, 15))
        .rename(columns=lambda x: f'V{x+1}')
        .assign(Class = [0,1,1,0]))
print (df)
         V1        V2        V3        V4  ...       V13       V14       V15  Class
0  0.986277  0.873392  0.509746  0.271836  ...  0.736325  0.355663  0.341093      0
1  0.666803  0.217101  0.561427  0.124179  ...  0.456119  0.155851  0.476049      1
2  0.169702  0.896258  0.373394  0.379693  ...  0.763921  0.919691  0.070573      1
3  0.156165  0.636894  0.555696  0.191929  ...  0.936032  0.803028  0.697305      0

[4 rows x 16 columns]

N = 15
new_rows = N // 3
df1 = df.iloc[:, :N]
mask = np.arange(new_rows)[:, None] >= np.arange(len(df1.columns)) // 3

repeated = np.tile(df1.to_numpy(), new_rows).reshape(new_rows * len(df.index), -1)
mask = np.tile(mask, (len(df1.index), 1))

arr = np.where(mask, repeated, np.nan)

df1 = (pd.DataFrame(arr, columns=df.columns[:N])
         .assign(Class = np.repeat(df['Class'].to_numpy(), new_rows)))

print (df1)

          V1        V2        V3        V4  ...       V13       V14       V15  Class
0   0.986277  0.873392  0.509746       NaN  ...       NaN       NaN       NaN      0
1   0.986277  0.873392  0.509746  0.271836  ...       NaN       NaN       NaN      0
2   0.986277  0.873392  0.509746  0.271836  ...       NaN       NaN       NaN      0
3   0.986277  0.873392  0.509746  0.271836  ...       NaN       NaN       NaN      0
4   0.986277  0.873392  0.509746  0.271836  ...  0.736325  0.355663  0.341093      0
5   0.666803  0.217101  0.561427       NaN  ...       NaN       NaN       NaN      1
6   0.666803  0.217101  0.561427  0.124179  ...       NaN       NaN       NaN      1
7   0.666803  0.217101  0.561427  0.124179  ...       NaN       NaN       NaN      1
8   0.666803  0.217101  0.561427  0.124179  ...       NaN       NaN       NaN      1
9   0.666803  0.217101  0.561427  0.124179  ...  0.456119  0.155851  0.476049      1
10  0.169702  0.896258  0.373394       NaN  ...       NaN       NaN       NaN      1
11  0.169702  0.896258  0.373394  0.379693  ...       NaN       NaN       NaN      1
12  0.169702  0.896258  0.373394  0.379693  ...       NaN       NaN       NaN      1
13  0.169702  0.896258  0.373394  0.379693  ...       NaN       NaN       NaN      1
14  0.169702  0.896258  0.373394  0.379693  ...  0.763921  0.919691  0.070573      1
15  0.156165  0.636894  0.555696       NaN  ...       NaN       NaN       NaN      0
16  0.156165  0.636894  0.555696  0.191929  ...       NaN       NaN       NaN      0
17  0.156165  0.636894  0.555696  0.191929  ...       NaN       NaN       NaN      0
18  0.156165  0.636894  0.555696  0.191929  ...       NaN       NaN       NaN      0
19  0.156165  0.636894  0.555696  0.191929  ...  0.936032  0.803028  0.697305      0

[20 rows x 16 columns]