pandas 爆炸序列 df.explode

更新时间：2022-05-16 21:33:27 标签：pandas 列表

看过来

《pandas 教程》持续更新中，可作为 pandas 入门进阶课程、pandas 中文手册、用法大全，配有案例讲解和速查手册。提供建议、纠错、催更等加作者微信: sin80c（备注：pandas教程）和关注公众号「盖若」ID: gairuo。查看更新日志。作者开办 Python 数据分析培训，详情 Python 数据分析培训。

本教程作者所著新书《深入浅出Pandas：利用Python进行数据处理与分析》（ISBN：9787111685456）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。

爆炸这个词非常形象，是指将类似列表的每个元素转换为一行，索引值是相同的，就这么简单，下边直接上代码。这个操作也叫 unnest (explode)。

基本用法

下边的两行数据中有类似列表（list-likes，包括 lists, tuples, sets, Series 和 np.ndarray）的值，我们将它们炸开后，它他乖乖回去排好了队，但是依然使用原来的索引：

s = pd.Series([[1, 2, 3], 'foo', [], [3, 4]])
s
'''
0    [1, 2, 3]
1          foo
2           []
3       [3, 4]
dtype: object
'''

s.explode()
'''
0      1
0      2
0      3
1    foo
2    NaN
3      3
3      4
dtype: object
'''

子集行的结果 dtype 将为 object。标量将原封不动地返回，并且空列表状将导致该行的 np.nan。此外，爆炸集合时，输出中行的顺序将不确定。

DataFrame 的爆炸

我们看到，对指定列进行了炸裂：

df = pd.DataFrame({'A': [[1, 2, 3], 'foo', [], [3, 4]], 'B': 1})
'''
df
           A  B
0  [1, 2, 3]  1
1        foo  1
2         []  1
3     [3, 4]  1
'''
df.explode('A')
'''
     A  B
0    1  1
0    2  1
0    3  1
1  foo  1
2  NaN  1
3    3  1
3    4  1
'''

Pandas 1.3.0 开始支持多列的炸开：

df = pd.DataFrame({'A': [[0, 1, 2], 'foo', [], [3, 4]],
                   'B': 1,
                   'C': [['a', 'b', 'c'], np.nan, [], ['d', 'e']]})
df
'''
           A  B          C
0  [0, 1, 2]  1  [a, b, c]
1        foo  1        NaN
2         []  1         []
3     [3, 4]  1     [d, e]
'''
# A、C 两列执行
df.explode(list('AC'))
'''
     A  B    C
0    0  1    a
0    1  1    b
0    2  1    c
1  foo  1  NaN
2  NaN  1  NaN
3    3  1    d
3    4  1    e
'''

炸开非列表

有时候遇到不是列表的，但是具有列表的特质，我们也可以处理：

df = pd.DataFrame([{'var1': 'a,b,c', 'var2': 1},
                   {'var1': 'd,e,f', 'var2': 2}])
df
'''
    var1  var2
0  a,b,c     1
1  d,e,f     2
'''

看看 var1 列，我们发现可以处理成列表：

df.assign(var1=df.var1.str.split(',')).explode('var1')
'''
  var1  var2
0    a     1
0    b     1
0    c     1
1    d     2
1    e     2
1    f     2
'''

横向爆炸

以上的操作都是竖向爆炸，如果想横向爆炸，可以考虑使用以下方法。

import pandas as pd

df = pd.DataFrame(
    dict(
        name=['A', 'B', 'C', 'D'],
        age=[10, 20, 30, 40],
        code=[['c1', 'c2'], ['c2', 'c3'], ['c1'], ['c1', 'c3']]
        )
)

df
'''
  name  age      code
0    A   10  [c1, c2]
1    B   20  [c2, c3]
2    C   30      [c1]
3    D   40  [c1, c3]
'''

先对列应用 pd.Series 构造为多列 DataFrame，也可以直接将此列转为列表，现用 pd.DataFrame() 构造：

temp = df.code.apply(pd.Series).add_prefix('code_')
temp = pd.DataFrame(df.code.to_list()).add_prefix(f'{df.code.name}_')
temp
'''
  code_0 code_1
0     c1     c2
1     c2     c3
2     c1    NaN
3     c1     c3
'''

再和原数据拼接起来

pd.concat([df, temp], axis=1)
'''
  name  age      code code_0 code_1
0    A   10  [c1, c2]     c1     c2
1    B   20  [c2, c3]     c2     c3
2    C   30      [c1]     c1    NaN
3    D   40  [c1, c3]     c1     c3
'''

如果内容不是一个原生的字典，可以考虑使用类似 ser.str.split('_', expand=True) 的方法，详见教程：pandas 文本分割。