将 DataFrame 数组元素转换为新行_石家庄创泽智能科技有限公司

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

将 DataFrame 数组元素转换为新行

2025-11-02

浏览次数：次

返回列表

将 dataframe 数组元素转换为新行

本文旨在解决将DataFrame中包含数组的列转换为多行，每行包含数组元素组合的问题。通过使用`itertools.combinations`和`pandas`的`explode`方法，我们将展示如何有效地将DataFrame中的数组元素展开为新的行，并生成所需的组合。这对于数据重塑和分析非常有用，特别是在处理包含多个相关值的列表数据时。

在数据处理中，经常会遇到DataFrame的某一列包含列表（数组）的情况。有时，我们需要将这些列表中的元素展开，并与其他列的数据进行组合，生成新的行。本教程将介绍一种使用 itertools.combinations 结合 pandas 方法实现这一目标的方法。

问题描述

假设我们有一个DataFrame，其中包含一些列，例如 'Group', 'A_x', 'A_y'，以及两个包含列表的列 'B_m' 和 'B_n'。我们的目标是将 'B_m' 和 'B_n' 列中的列表元素进行两两组合，并将每个组合作为新的行添加到DataFrame中。

例如，对于以下DataFrame：

import pandas as pd

df = pd.DataFrame(
    data=[
        [0, 4, 9, [8, 7, 3], [-10, 5, 2]],
        [0, 1, 2, [8, 7, 3], [-10, 5, 2]],
        [1, 3, 3, [1, 2], [-5, 1]],
    ],
    columns=['Group', 'A_x', 'A_y', 'B_m', 'B_n'],
)
print(df)

输出：

   Group  A_x  A_y        B_m          B_n
0      0    4    9  [8, 7, 3]  [-10, 5, 2]
1      0    1    2  [8, 7, 3]  [-10, 5, 2]
2      1    3    3     [1, 2]      [-5, 1]

我们希望将 'B_m' 列的 [8, 7, 3] 展开为 (8, 7), (8, 3), (7, 3)，并将 'B_n' 列的 [-10, 5, 2] 展开为 (-10, 5), (-10, 2), (5, 2)，然后将这些组合添加到新的行中。

Gridster.js多列网格式拖动布局插件

网页中拖动 DIV 是很常见的操作，今天就分享给大家一个 jQuery 多列网格拖动布局插件，和其它的插件不太一样的地方在于你处理拖放的元素支持不同大小，并且支持多列的网格布局，它们会自动的根据位置自己排序和调整。非常适合你开发具有创意的应用。这个插件可以帮助你将任何的 HTML 元素转换为网格组件

75 查看详情 Gridster.js多列网格式拖动布局插件

解决方案

以下代码展示了如何使用 itertools.combinations 和 pandas 方法来实现这一目标：

from itertools import combinations
import pandas as pd

def make_pairs(df: pd.DataFrame, col: str) -> pd.DataFrame:
    """
    将DataFrame中指定列的列表元素进行两两组合，并返回一个新的DataFrame。

    Args:
        df: 原始DataFrame。
        col: 需要进行组合的列名。

    Returns:
        一个新的DataFrame，包含组合后的元素。
    """
    pairs = (
        df[col]
        # Create 2-pair combinations of each list in the series 
        .apply(lambda x: [*combinations(iterable=x, r=2)])
        # Explode into a series of 2-item lists
        .explode()
    )
    # Construct a dataframe of the using the original index for joining
    return pd.DataFrame(
        data=pairs.to_list(),
        index=pairs.index,
        columns=[f"{col}{i}" for i in range(1, 3)]
    )


df = pd.DataFrame(
    data=[
        [0, 4, 9, [8, 7, 3], [-10, 5, 2]],
        [0, 1, 2, [8, 7, 3], [-10, 5, 2]],
        [1, 3, 3, [1, 2], [-5, 1]],
    ],
    columns=['Group', 'A_x', 'A_y', 'B_m', 'B_n'],
)
# Join everything together.
out = (
    df.join(
        other=[
            make_pairs(df=df, col="B_m"),
            make_pairs(df=df, col="B_n"),
        ],
    )
    # Drop the unneeded columns.
    .drop(columns=["B_m", "B_n"])
)
print(out)

输出：

   Group  A_x  A_y  B_m1  B_m2  B_n1  B_n2
0      0    4    9     8     7   -10     5
0      0    4    9     8     7   -10     2
0      0    4    9     8     7     5     2
0      0    4    9     8     3   -10     5
0      0    4    9     8     3   -10     2
0      0    4    9     8     3     5     2
0      0    4    9     7     3   -10     5
0      0    4    9     7     3   -10     2
0      0    4    9     7     3     5     2
1      0    1    2     8     7   -10     5
1      0    1    2     8     7   -10     2
1      0    1    2     8     7     5     2
1      0    1    2     8     3   -10     5
1      0    1    2     8     3   -10     2
1      0    1    2     8     3     5     2
1      0    1    2     7     3   -10     5
1      0    1    2     7     3   -10     2
1      0    1    2     7     3     5     2
2      1    3    3     1     2    -5     1

代码解释

make_pairs 函数:
- 接收一个DataFrame和一个列名作为输入。
- 使用 df[col].apply(lambda x: [*combinations(iterable=x, r=2)]) 对指定列的每个列表应用 itertools.combinations 函数，生成所有两两组合。[*...] 用于立即解包迭代器。
- 使用 .explode() 将每个列表的组合展开为单独的行。
- 创建一个新的DataFrame，其中包含组合后的元素，并使用原始DataFrame的索引进行连接。
- 为新列添加后缀，例如 B_m1 和 B_m2。
主程序:
- 创建示例DataFrame。
- 调用 make_pairs 函数处理 'B_m' 和 'B_n' 列，生成包含组合的新DataFrame。
- 使用 df.join 将原始DataFrame与新DataFrame连接起来。
- 使用 .drop 删除原始的 'B_m' 和 'B_n' 列。

总结

本教程展示了如何使用 itertools.combinations 结合 pandas 方法，将DataFrame中包含数组的列转换为多行，每行包含数组元素组合。这种方法对于数据重塑和分析非常有用，特别是在处理包含多个相关值的列表数据时。通过自定义函数和灵活运用 pandas 的 apply、explode 和 join 方法，可以高效地完成复杂的数据转换任务。