Pandas实现列表分列与字典分列的三个实例

大家好，我是小小明，本人非常擅长解决各类复杂数据处理的逻辑，包括各类结构化与非结构化数据互转，字符串解析匹配等等。

至今已经帮助很多数据从业者解决工作中的实际问题，如果你在数据处理上遇到什么困难，欢迎与我交流。

上次我分享了一道基础题N种解题思路，其中一种读取数据的过程涉及到列表分列，详见：https://blog.csdn.net/as604049322/article/details/112760894

这次我将分享三个实际案例，让大家看看列表分列的一些实际应用。

首先，我们先导包并设置Pandas显示参数：

import pandas as pd
pd.set_option("display.max_colwidth", 100)

正则提取并分列

需求：

读取数据：

df = pd.read_excel("正则提取与分列.xlsm", usecols=[0])
df.head()

结果：

	补回原因
0	核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天
1	核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天
2	核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天
3	核实断网时间：20190312到20190802号无上网记录，断网4个月20天
4	核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月

实现代码：

result = df.copy()
result["tmp"] = result["补回原因"].str.findall("([\d.]+[到至][\d.]+)")
result = result.agg({"补回原因": lambda x: x, "tmp": pd.Series}).droplevel(0, axis=1)
result.head()

结果：

	补回原因	0	1	2
0	核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天	20190128至20190217	20190223至20190311	20190407至20190622
1	核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天	2019.06.20到2019.07.22	NaN	NaN
2	核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天	20190130到20190322	20190414到20190719	NaN
3	核实断网时间：20190312到20190802号无上网记录，断网4个月20天	20190312到20190802	NaN	NaN
4	核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月	2019.03.29到2019.06.29	NaN	NaN

分步解析：

df["tmp"] = df["补回原因"].str.findall("([\d.]+[到至][\d.]+)")
df.head(5)

结果：

	补回原因	tmp
0	核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天	[20190128至20190217, 20190223至20190311, 20190407至20190622]
1	核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天	[2019.06.20到2019.07.22]
2	核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天	[20190130到20190322, 20190414到20190719]
3	核实断网时间：20190312到20190802号无上网记录，断网4个月20天	[20190312到20190802]
4	核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月	[2019.03.29到2019.06.29]

这步使用正则提取出每个日期字符串，[\d.]+表示连续的数字或.用于匹配时间字符串，两个时间之间的连接字符可能是到或至。

然后我使用agg函数直接对Datafream分列：

df.agg({"补回原因": lambda x: x, "tmp": pd.Series})

结果：

由于列索引多了一级，所以需要删除：

df.agg({"补回原因": lambda x: x, "tmp": pd.Series}).droplevel(0, axis=1).head()

结果：

	补回原因	0	1	2
0	核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天	20190128至20190217	20190223至20190311	20190407至20190622
1	核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天	2019.06.20到2019.07.22	NaN	NaN
2	核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天	20190130到20190322	20190414到20190719	NaN
3	核实断网时间：20190312到20190802号无上网记录，断网4个月20天	20190312到20190802	NaN	NaN
4	核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月	2019.03.29到2019.06.29	NaN	NaN

droplevel(0, axis=1)用于删除多级索引指定的级别，axis=0可以删除行索引，axis=1则可以删除列索引，第一参数表示删除级别0。当然如果列索引存在名称时还可以传入名称字符串，可参考官网文档：

df = pd.DataFrame([
...     [1, 2, 3, 4],
...     [5, 6, 7, 8],
...     [9, 10, 11, 12]
... ]).set_index([0, 1]).rename_axis(['a', 'b'])
>>> df.columns = pd.MultiIndex.from_tuples([
...    ('c', 'e'), ('d', 'f')
... ], names=['level_1', 'level_2'])
>>> df
level_1   c   d
level_2   e   f
a b
1 2      3   4
5 6      7   8
9 10    11  12
>>> df.droplevel('a')
level_1   c   d
level_2   e   f
b
2        3   4
6        7   8
10      11  12
>>> df.droplevel('level2', axis=1)
level_1   c   d
a b
1 2      3   4
5 6      7   8
9 10    11  12

分组聚合并分列

需求：

首先，读取数据：

df = pd.read_excel("分组聚合并分列.xlsx")
df

结果：

实现代码：

(df.groupby("姓名")["得分"].apply(list).apply(pd.Series).fillna("").rename(columns=lambda x: f"得分{x+1}").reset_index().astype({"得分1":"int8"})
)

结果：

分布解析：

首先将每个姓名的得分聚合成列表，并最终返回一个Series：

df.groupby("姓名")["得分"].apply(list)

结果：

姓名
孙四娘          [7, 28]
看见星光    [88, 28, 23]
看见月光    [69, 10, 87]
老祝          [51, 29]
马青梅             [99]
Name: 得分, dtype: object

当然，这步的标准写法应该是使用Series的内部方法：

df.groupby("姓名")["得分"].apply(lambda x:x.to_list())

使用Series内部方法的性能比python列表方法转换快一些。

作为一个Series就可以通过将每个列表元素转换为Series，从而最终返回一个分列的Datafream：

_.apply(pd.Series)

结果：

注意：_在ipython表示上一个输出返回的结果，jupyter还额外支持_num表示num编号单元格的输出。

_.fillna("")

结果：

fillna表示填充缺失值，传入""表示将缺失值填充为空字符串。

下面重命名一下列名：

_.rename(columns=lambda x: f"得分{x+1}")

结果：

然后还原索引：

_.reset_index()

结果：

发现结果中有一列，不是整数，所以还原成整数（总分100分，8位足够存储）：

_.astype({"得分1":"int8"})

结果：

解析json字符串并字典分列

需求：

首先读取数据：

df = pd.read_excel("字典分列.xlsx")
df.head()

结果：

处理代码：

result = df.features.apply(eval).apply(pd.Series)
result["counts"] = df.counts
result

结果：

	储存条件	品牌	推荐理由	品种	食用方式	是否进口	特色服务	是否有机	counts
0	常温	NaN	NaN	NaN	NaN	NaN	NaN	NaN	33
1	冷藏	NaN	NaN	NaN	NaN	NaN	NaN	NaN	24
2	常温	禾煜	NaN	NaN	NaN	NaN	NaN	NaN	22
3	常温	妙洁	NaN	NaN	NaN	NaN	NaN	NaN	16
4	冷冻	NaN	NaN	NaN	NaN	NaN	NaN	NaN	14
…	…	…	…	…	…	…	…	…	…
2083	常温	乐事	够薄够脆	NaN	NaN	NaN	NaN	NaN	1
2084	冷藏	NaN	生态种植	黄瓜	NaN	NaN	NaN	有机	1
2085	冷藏	NaN	腥味较淡	鲫鱼	NaN	NaN	免费宰杀	NaN	1
2086	冷藏	NaN	甜脆可口	佛手瓜	NaN	NaN	NaN	NaN	1
2087	冷藏	叮咚日日鲜	全程可追溯	猪小排	NaN	NaN	NaN	NaN	1

2088 rows × 9 columns

浅析：

df.features.apply(eval)用于将features列的每个json字符串解析为字典对象。

**.apply(pd.Series)则可以将每个字典对象转换成Series，则可以将该字典扩展到多列，并将原始的Series转换为Datafream。

而result["counts"] = df.counts则将原始数据的counts列添加到结果列中。

总结

经过三个案例的练习，大家是否已经对Pandas的分列操作比较熟悉呢？

欢迎大家在下方评论区留言你的看法。