在 python/pandas 中有效地压缩多个列表

Question

我有以下列表

Number = [[1],[2],[3],[4],[6]]
L1 = ['A','B','C','D','E']
L2 = [100, 55, 315, 68, 23]
L3 = ['18%','105','56%','12%','4%']

我想压缩所有列表并创建一个DataFrame。我使用了下面的代码并成功地做到了。

for n, l1, l2, l3 in zip(Number,L1,L2, L3):
    n.insert(1,l1)
    n.insert(2,l2)
    n.insert(3,l3)

df = pd.DataFrame(Number, columns=['Number','Name', 'Value', 'Score'])
print(df)

+---+--------+------+-------+-------+
|   | Number | Name | Value | Score |
+---+--------+------+-------+-------+
| 0 |    1   |   A  |  100  |  18%  |
+---+--------+------+-------+-------+
| 1 |    2   |   B  |   55  |  105  |
+---+--------+------+-------+-------+
| 2 |    3   |   C  |  315  |  56%  |
+---+--------+------+-------+-------+
| 3 |    4   |   D  |   68  |  12%  |
+---+--------+------+-------+-------+
| 4 |    6   |   E  |   23  |   4%  |
+---+--------+------+-------+-------+

因为本例中只有 4 个列表。我们可以轻松地手动键入for n, l1, l2, l3 in zip(Number,L1,L2, L3): 并键入单独的insert 函数。 现在我的问题是，如果有很多列表（比如 15 个）怎么办？有pythonic 的方法吗？

Answer 1

我不知道为什么你有Number 是一个列表列表。但是，这可能是您正在寻找的：

Number = [1,2,3,4,6]
L1 = ['A','B','C','D','E']
L2 = [100, 55, 315, 68, 23]
L3 = ['18%','105','56%','12%','4%']

pd.DataFrame(list(zip(Number, L1, L2, L3)), columns=['Number', 'Name', 'Value', 'Score'])

输出：

   Number Name  Value Score
0       1    A    100   18%
1       2    B     55   105
2       3    C    315   56%
3       4    D     68   12%
4       6    E     23    4%

Answer 2

我肯定会找到一种更恢复的格式来编写这个查询！我的脑海里浮现出这样的想法：

test = [Number, L1, L2, L3]
for t in zip(*test):
    print(t)

# on the first loop iteration:
# t = ([1], 'A', 100, '18%')
#t[3] = ['18%']

您会发现，您的结果现在将位于一个元组中（例如 ([1], 'A', 100, '18%')）。因此，如果您需要访问每个值，例如Number 中的值，你可以做 t[0]。

Answer 3

这符合要求吗？用每个列表的名称和列表本身制作一个字典。然后将字典传递给 DataFrame 构造函数（在下面的打印语句中）。

data = {
    'Number': Number,
    'L1': L1,
    'L2': L2,
    'L3': L3
}
df = pd.DataFrame(data).rename(columns={'L1': 'Name', 
                                        'L2': 'Value', 
                                        'L3': 'Score'})
print(df)

   Number Name  Value Score
0       1    A    100   18%
1       2    B     55   105
2       3    C    315   56%
3       4    D     68   12%
4       6    E     23    4%