python - pandas 的 "pivot"操作的精确逆运算

Question

我有一个粗略格式的 pandas 数据框

print(df)
    Time  GroupA  GroupB  Value1  Value2
0  100.0     1.0     1.0    18.0     0.0
1  100.0     1.0     2.0    16.0     0.0
2  100.0     2.0     1.0    18.0     0.0
3  100.0     2.0     2.0    10.0     0.0

其中Time是计数变量/时间戳，GroupA和GroupB是类别，Value1和Value2 是数值量。此代码片段创建了一个模型数据框:

import numpy as np
values = np.zeros(shape=(4,5))
values[:,0] = 100
values[:,1] = [1]*2 + [2]*2
values[:,2] = [1,2]*2
values[:,3] = np.random.randint(low=10,high=20,size=(4))
df = pd.DataFrame(values,columns=['Time','GroupA','GroupB','Value1','Value2'])

加载一些数据后，我想计算并填充 Value2 的值。碰巧的是(因为，顺便说一下，Value2 是 Value1 在每个现有的(GroupA、GroupB) 对)，我发现通过首先将我的数据转换为以下形式来计算这些值最简单:

df_pivot = df.pivot_table(index='Time',columns=['GroupA','GroupB'],values=['Value1','Value2'], fill_value=0.0)

然后在一些不相关的代码之后我填写了值

print(df_pivot)
       Value1             Value2            
GroupA    1.0     2.0        1.0     2.0    
GroupB    1.0 2.0 1.0 2.0    1.0 2.0 1.0 2.0
Time                                        
100.0      13  16  16  10     27  20  28  20

现在我想将其“逆轴旋转”回 df 的原始格式。我可以通过遍历 df、查找 df_pivot 中的值并填充它来手动执行此操作，但我更喜欢使用内置函数。尝试使用 df.melt 的变体，我无法执行此反转，因为 df_pivot 的分层列存在问题。我最好的尝试是

dfm = df_pivot.reset_index().melt(id_vars="Time")
dfm.columns.values[1] = "HACK"
dfm = dfm.pivot_table(index=["Time","GroupA","GroupB"],columns="HACK",values="value").reset_index()

产生数据框

print(dfm)
HACK   Time  GroupA  GroupB  Value1  Value2
0     100.0     1.0     1.0      13      27
1     100.0     1.0     2.0      16      20
2     100.0     2.0     1.0      16      28
3     100.0     2.0     2.0      10      20

这行得通，但并不是最好的解决方案，也不是非常便携(为什么 melt 会产生一个“NaN”列名？为什么我要手动找到该列的索引并重命名它？为什么我必须转向以撤消转向？)尝试并查看文档和示例以寻找替代方案，但我不知所措。 melt 函数有一个 col_level 参数，看起来应该有帮助，但我为此使用的任何有效值只会导致数据丢失(丢失“Time”、“GroupA” ”，或“GroupB”数据)。

Answer 1

我认为 stack 更直接

df_pivot.stack([1,2]).reset_index()
Out[8]: 
    Time  GroupA  GroupB  Value1  Value2
0  100.0     1.0     1.0      13       0
1  100.0     1.0     2.0      13       0
2  100.0     2.0     1.0      12       0
3  100.0     2.0     2.0      11       0