Pandas 将性别列拆分为两列答案

【问题标题】：Pandas split gender column to two columnsPandas 将性别列拆分为两列
【发布时间】：2018-11-25 20:31:46
【问题描述】：

我想在每个邮政编码中将（属性类型）拆分为两列 count_Single_Family 和 count_Multi_Family：

我使用了这段代码，但我不知道下一步该做什么：

b=Combineddf[Combineddf['Property Type']=='Multi-Family'].count() a=Combineddf[Combineddf['Property Type']=='Single Family'].count()

我可以用 sql 做到这一点，但我一直试图让它与 pandas 一起工作，但没有运气。感谢您的帮助。编辑* 输入：

    import pandas as pd
input= pd.DataFrame({'Zip Code': [90001, 90001, 90001,90002,90002,90002], 
                   'Total Males': [28468, 28468, 28468,43533,43533,43533],
                  'Total Female': [32135, 32135, 32135,54354,54354,54354],
                   'Property Type': ['Multi-Family', 'Multi-Family', 'Single Family','Single Family','Single Family','Multi-Family']
                  })
input

期望的输出：

    out = pd.DataFrame({'Zip Code': [90001, 90001, 90001,90002,90002,90002], 
                       'Total Males': [28468, 28468, 28468,43533,43533,43533],
                      'Total Female': [32135, 32135, 32135,54354,54354,54354],
                       'Multi-Family': [2, 2, 2,1,1,1],
                       'Single Family': [1, 1, 1,2,2,2],

                      })
out

【问题讨论】：

使用groupby.count
@PeterLeimbigler 这是来自 csv 文件我修复了链接

标签： python pandas split pandas-groupby

【解决方案1】：

`pd.crosstab` + `merge`

Pandas 有一种基于索引和值进行交叉制表的方法。然后，您只需要将这些结果与您的原始数据框合并。

df_cross = pd.crosstab(df['Zip Code'], df['Property Type'])

res = df.merge(df_cross, left_on='Zip Code', right_index=True)

print(res)

   Zip Code  Total Males  Total Female  Property Type  Multi-Family  \
0     90001        28468         32135   Multi-Family             2   
1     90001        28468         32135   Multi-Family             2   
2     90001        28468         32135  Single Family             2   
3     90002        43533         54354  Single Family             1   
4     90002        43533         54354  Single Family             1   
5     90002        43533         54354   Multi-Family             1   

   Single Family  
0              1  
1              1  
2              1  
3              2  
4              2  
5              2

【讨论】：

【解决方案2】：

这似乎产生了正确的解决方案：

v = input.groupby(['Zip Code','Property Type']).count().reset_index().pivot(index='Zip Code',columns = 'Property Type',values = 'Total Males')

pd.merge(input,v, how = 'inner', left_on = 'Zip Code', right_on ='Zip Code').drop('Property Type',axis = 1)

【讨论】：

v.columns 如何找到您？

【解决方案3】：

另一种解决方案：

(pd.concat([input.set_index('Zip Code'), 
            input.groupby('Zip Code')['Property Type']
                 .value_counts()
                 .unstack()], axis=1)
).reset_index()

   Zip Code  Total Males  Total Female  Property Type  Multi-Family  Single Family
0     90001        28468         32135   Multi-Family             2              1
1     90001        28468         32135   Multi-Family             2              1
2     90001        28468         32135  Single Family             2              1
3     90002        43533         54354  Single Family             1              2
4     90002        43533         54354  Single Family             1              2
5     90002        43533         54354   Multi-Family             1              2

【讨论】：

pd.crosstab + merge

`pd.crosstab` + `merge`