Превращение значений в столбцы

Извиняюсь за смутное название вопроса, но я не совсем уверен, как вызвать эту операцию.

У меня есть следующий фрейм данных:

import pandas as pd

df = pd.DataFrame({
    'A': [1, 3, 2, 1, 2],
    'B': [2, 1, 3, 2, 3],
    'C': [3, 2, 1, 3, 1],
})
print(df)
#    A  B  C
# 0  1  2  3
# 1  3  1  2
# 2  2  3  1
# 3  1  2  3
# 4  2  3  1

Эти данные представляют "ранжирование" каждого из параметров, A, B и C для каждой строки. Так, например, в строке 2 C был лучшим, затем A, затем B. Я хотел бы построить "инвертированный" фрейм данных, где для каждой строки у меня есть три столбца для позиции 1, 2 и 3 ранжирования, с A, B и C сейчас данные. Итак, для приведенного выше примера результат будет следующим:

out = pd.DataFrame({
    1: ['A', 'B', 'C', 'A', 'C'],
    2: ['B', 'C', 'A', 'B', 'A'],
    3: ['C', 'A', 'B', 'C', 'B'],
})
print(out)
#    1  2  3
# 0  A  B  C
# 1  B  C  A
# 2  C  A  B
# 3  A  B  C
# 4  C  A  B

В идеале, каждая строка в df должна иметь три разных значения 1, 2 и 3, но могут быть случаи с повторяющимися значениями (значения из этого диапазона не должны рассматриваться), Если это вообще возможно, я бы хотел решить эту проблему, "объединив" имена опций в одной и той же позиции и добавив пустые строки или NaN в пропущенные позиции. Например, с этим вводом:

df_bad = pd.DataFrame({'A': [1], 'B': [2], 'C': [2]})
print(df_bad)
#    A  B  C
# 0  1  2  2

В идеале я бы хотел получить такой вывод:

out_bad = pd.DataFrame({1: ['A'], 2: ['BC'], 3: ['']})
print(out_bad)
#    1   2 3
# 0  A  BC

В качестве альтернативы, я могу согласиться на получение одного из значений вместо конкатенации.

Я просматривал melt, pivot, pivot_table и другие функции, но не могу понять, как получить результат Я хочу.

Ответ 1

для случаев дублирования ранжирования, таких как 2-й пример, любое решение, использующее pivot и unstack на последнем шаге, завершится неудачей. Вам нужен pivot_table или crosstab. Как вы уже разобрались с решением, используя pivot_table. Вот crosstab

df2 = df_bad.stack().reset_index(1, name='cols')
pd.crosstab(index=df2.index, columns=df2.cols, values=df2.level_1,
                             aggfunc=''.join).fillna('')

Out[171]:
cols   1   2
row_0
0      A  BC

Используйте stack и pivot

df.stack().reset_index(1, name='cols').pivot(columns='cols', values='level_1')

Out[131]:
cols  1  2  3
0     A  B  C
1     B  C  A
2     C  A  B
3     A  B  C
4     C  A  B

Ответ 2

Вы можете использовать argsort:

pd.DataFrame(df.columns.values[np.argsort(df.values)])

   0  1  2
0  A  B  C
1  B  C  A
2  C  A  B
3  A  B  C
4  C  A  B

Ответ 3

вот один из способов стека

df.stack().reset_index(level=1).set_index(0,append=True)['level_1'].unstack()
Out[89]: 
0  1  2  3
0  A  B  C
1  B  C  A
2  C  A  B
3  A  B  C
4  C  A  B

Ответ 4

Ваш первый пример может быть эффективно решен с помощью argsort и индексации.

m = np.argsort(df.to_numpy(), 1)

df.columns.to_numpy()[m]

array([['A', 'B', 'C'],
       ['B', 'C', 'A'],
       ['C', 'A', 'B'],
       ['A', 'B', 'C'],
       ['C', 'A', 'B']], dtype=object)

Второй пример немного хитрый, но все же та же идея, я скоро обновлю.

Ответ 5

Другой способ:

df = pd.DataFrame({
    'A': [1, 3, 2, 1, 2],
    'B': [2, 1, 3, 2, 3],
    'C': [3, 2, 1, 2, 1],
})

(df.stack()
   .reset_index()
   .groupby(['level_0',0])
   .level_1.apply(''.join)
   .unstack()
)

Выход:

0        1   2    3
level_0            
0        A   B    C
1        B   C    A
2        C   A    B
3        A  BC  NaN
4        C   A    B