【问题标题】：Pandas - All Column to 1 new ColumnPandas - 所有列到 1 个新列
【发布时间】：2021-03-21 16:45:55
【问题描述】：

我的数据框有 6 列日期，我希望它们在 1 列中 DATA FRAME IMAGE HERE

制作另一列的代码如下

df['Mega'] = df['Mega'].append(df['RsWeeks','RsMonths','RsDays','PsWeeks','PsMonths','PsDays'])

我是 python 和 pandas 的新手，我想了解更多信息，所以也请指出我的资源，因为我没有编程背景，调试能力很差。

【问题讨论】：

当你说你想把它们变成一列时，你的意思是你想要每个单元格中的日期列表，还是所有日期的字符串？你想要日期作为日期时间对象还是字符串？
我想要每个单元格中的日期列表，因为稍后我想过滤它们，所以我希望将 6 列中的所有日期放入 1 个大列中以应用过滤器。

标签： python pandas

【解决方案1】：

您可以使用pd.melt() 使您的数据框从宽变长：

df_reshaped = pd.melt(df, id_vars = ['id_1','id_2','id_3'], var_name = 'new_name', value_name = 'Mega')

【讨论】：

不需要在列名后面加.str吗？
我总是使用.astype(str)，它可以只使用.str 吗？
好吧，我的所有列都排成一行。但我的目标是将所有这些列转换为独立的行，这样我就会得到大约 24 行。因为我想稍后在那个巨型列上运行过滤器
是的，这就是我认为你需要的。你理想的输出是什么？
screencast.com/t/bD0iLMdl 我希望我的列最终看起来像这样，所以我可以在这晚的 254 行列上使用过滤器来过滤结果

【解决方案2】：

数据：

df = pd.DataFrame({"name" : 'Dav Las Oms'.split(),
                  'age' : [25, 50,  70]})
df['Name'] = list(['a', 'M', 'm'])

df:

  name  age Name
0  Dav   25    a
1  Las   50    M
2  Oms   70    m

df = pd.DataFrame(df.astype(str).apply('|'.join, axis=1))

df:

          0
0  Dav|25|a
1  Las|50|M
2  Oms|70|m

【讨论】：

【解决方案3】：

Pandas 文档是很好的示例的重要来源。 Click here 访问包含大量示例和视觉效果的页面。

针对您的特殊情况：

我们构造一个样本DataFrame：

import pandas as pd

df = pd.DataFrame([
  {"RsWeeks": "2015-11-10", "RsMonths": "2016-08-01"},
  {"RsWeeks": "2015-11-11", "RsMonths": "2015-12-30"}
])
print("DataFrame preview:")
print(df)

输出：

DataFrame preview:
      RsWeeks    RsMonths
0  2015-11-10  2016-08-01
1  2015-11-11  2015-12-30

我们连接列RsWeeks 和RsMonths 以创建Series：

my_series = pd.concat([df["RsWeeks"], df["RsMonths"]], ignore_index=True)
print("\nSeries preview:")
print(my_series)

输出：

Series preview:
0    2015-11-10
1    2015-11-11
2    2016-08-01
3    2015-12-30

编辑

如果您确实需要将新的Series 作为列添加到您的DataFrame，您可以执行以下操作：

df2 = pd.DataFrame({"Mega": my_series})
df = pd.concat([df, df2], axis=1)
print("\nDataFrame preview:")
print(df)

输出：

DataFrame preview:
      RsWeeks    RsMonths        Mega
0  2015-11-10  2016-08-01  2015-11-10
1  2015-11-11  2015-12-30  2015-11-11
2         NaN         NaN  2016-08-01
3         NaN         NaN  2015-12-30

【讨论】：