财经大数据分析-以Python为工具 课件 ch04-股权性质信息-应用数据转置

Python与财经大数据分析基础第4章

股权性质信息整理——应用数据转置

CONTENTS目录4.1T转置4.2行列互换4.3数据透视4.4数组转置4.5应用实践“转置”是一个数学名词，常用于矩阵的计算过程中。设A为m×n阶矩阵（即m行n列），第i行j列的元素为Aij，把A的行列互相交换从而得到一个新的矩阵AT，这一过程称为矩阵的转置。在Python中，数据转置是将原数据的行列互换，以更符合研究逻辑，更方便地进行计算和分析，在数据预处理时经常使用，为之后的数据筛选、合并、统计操作提供方便。本章将介绍以下五个Pandas模块与数据转置有关的函数。4.1T转置4.1T转置最简单直接的转置操作是将数据沿对角线翻转，在这个过程中数据的形状发生了变化，数据逻辑也发生了变化，但是数据的对应关系保持不变。为了更方便地进行数据处理和分析，充分利用行列的关系表达，我们时常使用transpose()函数对原数据进行转置操作，转置效果如下图所示：4.1T转置transpose()函数的具体语法如下所示：DateFrame.T是DateFrame.transpose()的别名和简写方法。为方便起见，可以直接使用DateFrame.T进行转置操作。transpose()函数只能进行最简单的整体翻转操作，想要对数据进行更复杂的行列变换处理，需要其他的转置方式。4.2行列互换4.2行列互换如果数据结构比较复杂，索引层数较多，则需要使用stack()函数与unstack()函数进行操作。stack()是将数据的列索引转换为行索引，unstack()是将数据的行索引转换为列索引，从而改变数据样式，以更符合研究习惯和后续调用。4.2行列互换stack()函数与unstack()函数的基本语法类似，stack()函数将列中指定levels的列，堆叠到行索引中；unstack()函数将行中指定levels的行，堆叠到列索引中。具体语法如下所示：4.2行列互换4.3数据透视4.3数据透视4.3.1melt()函数与stack()函数和unstack()函数进行行列索引的互换不同，melt()函数是将列索引转化成数据，从而将DataFrame从宽格式转换为长格式。melt()函数的使用效果如下图所示，类似于Excel中的数据逆透视。4.3数据透视melt()函数的主要任务是将DataFrame压缩为一种格式，其中一列或多列是标识符变量，而其余列被认为是测量变量，且不会旋转到行轴，只剩下两个非标识符列，分别为变量variable和值value。具体语法如下所示：4.3数据透视4.3.2

pivot()函数与melt()函数相反，pivot()函数是将数据转化成行列索引，使用来自指定索引的唯一值来形成DataFrame的轴，进行数据重塑，从而将DataFrame从长格式转换为宽格式。pivot()函数的使用效果如下图所示，类似于Excel中的数据透视。具体语法如下所示：4.3数据透视4.4数据转置4.1数据转置本节主要针对Numpy模块的多维数组进行转置操作介绍。下图分别是二维数组和三维数组的转置效果图。Numpy模块中有三种方式能够对数组进行转置操作，分别是T属性、transpose()函数、swapaxes()函数。4.1数据转置4.4.1T属性T属性的使用十分简单，调用格式为array.T，比较适合对低维数组进行转置操作。因此，对二维数组的转置通常使用T属性。对于高维数组而言，T属性也可以应用，只不过只能使用默认的转置方式，即交换位置序列的第一个值和最后一个值。4.1

数据转置将转置前后两个三维数组各元素对应位置列在下表，从中可以清晰地看出高维数组T属性只交换位置序列的第一个值和最后一个值。4.1数据转置4.4.2transpose()函数对二维数组进行转置，除了使用T属性，还可以使用transpose()函数，两者效果完全一致。对于高维数组而言，T属性也可以应用，只不过只能使用默认的转置方式，即交换位置序列的第一个值和最后一个值。4.1数据转置4.4.3swapaxes()函数与transpose()函数不同的是，swapaxes()函数接受一对轴编号，如果想要达到transpose(2,1,0)的效果，只需要输入swapaxes(0,2)即可。4.5应用实践4.5应用实践出于研究需要，我们需要整理A股上市公司不