Изменение форм данных в pandas на основе меток столбцов

Каков наилучший способ изменить следующий фрейм данных в pandas? Этот DataFrame df имеет x,y значения для каждого образца (s1 и s2 в этом случае) и выглядит следующим образом:

In [23]: df = pandas.DataFrame({"s1_x": scipy.randn(10), "s1_y": scipy.randn(10), "s2_x": scipy.randn(10), "s2_y": scipy.randn(10)})
In [24]: df
Out[24]: 
       s1_x      s1_y      s2_x      s2_y
0  0.913462  0.525590 -0.377640  0.700720
1  0.723288 -0.691715  0.127153  0.180836
2  0.181631 -1.090529 -1.392552  1.530669
3  0.997414 -1.486094  1.207012  0.376120
4 -0.319841  0.195289 -1.034683  0.286073
5  1.085154 -0.619635  0.396867  0.623482
6  1.867816 -0.928101 -0.491929 -0.955295
7  0.920658 -1.132057  1.701582 -0.110299
8 -0.241853 -0.129702 -0.809852  0.014802
9 -0.019523 -0.578930  0.803688 -0.881875

s1_x и s1_y являются значениями x/y для образца 1, s2_x, s2_y являются значениями выборки для образца 2 и т.д. Как это можно изменить в DataFrame, содержащий только x, y столбцы, но содержит дополнительный столбец sample, который говорит для каждой строки в DataFrame, будь то от s1 или s2? Например.

          x         y      sample
0  0.913462  0.525590          s1
1  0.723288 -0.691715          s1
2  0.181631 -1.090529          s1
3  0.997414 -1.486094          s1
...
5  0.396867  0.623482          s2
...

Это полезно для построения вещей с Rpy2 позже, так как многие функции построения R могут использовать эту переменную группировки, чтобы моя мотивация для изменения формы данных.

Я думаю, что ответ, данный Chang She, не переводит на dataframes, у которых есть уникальный индекс, например этот:

In [636]: df = pandas.DataFrame({"s1_x": scipy.randn(10), "s1_y": scipy.randn(10), "s2_x": scipy.randn(10), "s2_y": scipy.randn(10), "names": range(10)})
In [637]: df
Out[637]: 
   names      s1_x      s1_y      s2_x      s2_y
0      0  0.672298  0.415366  1.034770  0.556209
1      1  0.067087 -0.851028  0.053608 -0.276461
2      2 -0.674174 -0.099015  0.864148 -0.067240
3      3  0.542996 -0.813018  2.283530  2.793727
4      4  0.216633 -0.091870 -0.746411 -0.421852
5      5  0.141301 -1.537721 -0.371601 -1.594634
6      6  1.267148 -0.833120  0.369516 -0.671627
7      7 -0.231163 -0.557398  1.123155  0.865140
8      8  1.790570 -0.428563  0.668987  0.632409
9      9 -0.820315 -0.894855  0.673247 -1.195831
In [638]: df.columns = pandas.MultiIndex.from_tuples([tuple(c.split('_')) for c in df.columns])

In [639]: df.stack(0).reset_index(1)
Out[639]: 
  level_1         x         y
0      s1  0.672298  0.415366
0      s2  1.034770  0.556209
1      s1  0.067087 -0.851028
1      s2  0.053608 -0.276461
2      s1 -0.674174 -0.099015
2      s2  0.864148 -0.067240
3      s1  0.542996 -0.813018
3      s2  2.283530  2.793727
4      s1  0.216633 -0.091870
4      s2 -0.746411 -0.421852
5      s1  0.141301 -1.537721
5      s2 -0.371601 -1.594634
6      s1  1.267148 -0.833120
6      s2  0.369516 -0.671627
7      s1 -0.231163 -0.557398
7      s2  1.123155  0.865140
8      s1  1.790570 -0.428563
8      s2  0.668987  0.632409
9      s1 -0.820315 -0.894855
9      s2  0.673247 -1.195831

Произошла трансформация, но в процессе был потерян столбец "names". Как сохранить столбцы "names" в df, продолжая преобразование плавки в столбцах с _ в их именах? Столбец "names" просто назначает уникальное имя каждой строке в кадре данных. Это числовое число здесь, например, но в моих данных они являются строковыми идентификаторами.

спасибо.

In [4]: df = pandas.DataFrame({"s1_x": scipy.randn(10), "s1_y": scipy.randn(10), "s2_x": scipy.randn(10), "s2_y": scipy.randn(10)}) In [5]: df.columns = pandas.MultiIndex.from_tuples([tuple(c.split('_')) for c in df.columns]) In [6]: df.stack(0).reset_index(1) Out[6]: level_1 x y 0 s1 0.897994 -0.278357 0 s2 -0.008126 -1.701865 1 s1 -1.354633 -0.890960 1 s2 -0.773428 0.003501 2 s1 -1.499422 -1.518993 2 s2 0.240226 1.773427 3 s1 -1.090921 0.847064 3 s2 -1.061303 1.557871 4 s1 -1.697340 -0.160952 4 s2 -0.930642 0.182060 5 s1 -0.356076 -0.661811 5 s2 0.539875 -1.033523 6 s1 -0.687861 -1.450762 6 s2 0.700193 0.658959 7 s1 -0.130422 -0.826465 7 s2 -0.423473 -1.281856 8 s1 0.306983 0.433856 8 s2 0.097279 -0.256159 9 s1 0.498057 0.147243 9 s2 1.312578 0.111837

In [59]: df Out[59]: names s1_x s1_y s2_x s2_y 0 0 0.732099 0.018387 0.299856 0.737142 1 1 0.914755 -0.798159 -0.732868 -1.279311 2 2 -1.063558 0.161779 -0.115751 -0.251157 3 3 -1.185501 0.095147 -1.343139 -0.003084 4 4 0.622400 -0.299726 0.198710 -0.383060 5 5 0.179318 0.066029 -0.635507 1.366786 6 6 -0.820099 0.066067 1.113402 0.002872 7 7 0.711627 -0.182925 1.391194 -2.788434 8 8 -1.124092 1.303375 0.202691 -0.225993 9 9 -0.179026 0.847466 -1.480708 -0.497067 In [60]: id = df.ix[:, ['names']] In [61]: df.columns = pandas.MultiIndex.from_tuples([tuple(c.split('_')) for c in df.columns]) In [62]: pandas.merge(df.stack(0).reset_index(1), id, left_index=True, right_index=True) Out[62]: level_1 x y names 0 s1 0.732099 0.018387 0 0 s2 0.299856 0.737142 0 1 s1 0.914755 -0.798159 1 1 s2 -0.732868 -1.279311 1 2 s1 -1.063558 0.161779 2 2 s2 -0.115751 -0.251157 2 3 s1 -1.185501 0.095147 3 3 s2 -1.343139 -0.003084 3 4 s1 0.622400 -0.299726 4 4 s2 0.198710 -0.383060 4 5 s1 0.179318 0.066029 5 5 s2 -0.635507 1.366786 5 6 s1 -0.820099 0.066067 6 6 s2 1.113402 0.002872 6 7 s1 0.711627 -0.182925 7 7 s2 1.391194 -2.788434 7 8 s1 -1.124092 1.303375 8 8 s2 0.202691 -0.225993 8 9 s1 -0.179026 0.847466 9 9 s2 -1.480708 -0.497067 9

In [64]: df Out[64]: names s1_x s1_y s2_x s2_y 0 0 0.744742 -1.123403 0.212736 0.005440 1 1 0.465075 -0.673491 1.467156 -0.176298 2 2 -1.111566 0.168043 -0.102142 -1.072461 3 3 1.226537 -1.147357 -1.583762 -1.236582 4 4 1.137675 0.224422 0.738988 1.528416 5 5 -0.237014 -1.110303 -0.770221 1.389714 6 6 -0.659213 2.305374 -0.326253 1.416778 7 7 1.524214 -0.395451 -1.884197 0.524606 8 8 0.375112 -0.622555 0.295336 0.927208 9 9 1.168386 -0.291899 -1.462098 0.250889 In [65]: df = df.set_index('names') In [66]: df.columns = pandas.MultiIndex.from_tuples([tuple(c.split('_')) for c in df.columns]) In [67]: df.stack(0).reset_index(1) Out[67]: level_1 x y names 0 s1 0.744742 -1.123403 0 s2 0.212736 0.005440 1 s1 0.465075 -0.673491 1 s2 1.467156 -0.176298 2 s1 -1.111566 0.168043 2 s2 -0.102142 -1.072461 3 s1 1.226537 -1.147357 3 s2 -1.583762 -1.236582 4 s1 1.137675 0.224422 4 s2 0.738988 1.528416 5 s1 -0.237014 -1.110303 5 s2 -0.770221 1.389714 6 s1 -0.659213 2.305374 6 s2 -0.326253 1.416778 7 s1 1.524214 -0.395451 7 s2 -1.884197 0.524606 8 s1 0.375112 -0.622555 8 s2 0.295336 0.927208 9 s1 1.168386 -0.291899 9 s2 -1.462098 0.250889

Ответ 1