Pandas数据重塑：多列映射、数据转换与DataFrame合并实践

---

本教程详细介绍了如何使用pandas库将一个dataframe中的多列数据（如昵称）映射到目标dataframe的单列中，并进行其他必要的列数据转换（如性别缩写），最终与另一个dataframe进行合并。通过实际代码示例，您将学习如何灵活地重塑和整合不同结构的数据，以满足特定的分析和报告需求。

在数据处理和分析中，我们经常会遇到需要整合来自不同数据源或结构各异的DataFrame的情况。一个常见的场景是，我们希望将一个DataFrame中的特定信息（可能分散在多列中）统一映射到另一个DataFrame的某一列，同时可能还需要对其他列进行格式转换，最终将处理后的数据与现有数据合并。本文将通过一个具体的示例，详细讲解如何使用Pandas实现这一过程。

场景描述

假设我们有两个DataFrame，df1 包含基本的个人信息，而 df2 除了基本信息外，还包含一个 nick_name 列。我们的目标是创建一个新的DataFrame，其中包含 df1 的所有行，以及 df2 中 nick_name 作为 name、sex 缩写后的行。

初始数据示例：

首先，我们定义两个初始DataFrame：

import pandas as pd
import numpy as np

# 第一个DataFrame
data1 = {
    'name': ['smith row', 'sam smith', 'susan storm'],
    'age': [26, 30, 25],
    'sex': ['male', 'male', 'female']
}
df1 = pd.DataFrame(data1)

print("df1:")
print(df1)
# Output:
#          name  age     sex
# 0   smith row   26    male
# 1   sam smith   30    male
# 2  susan storm   25  female

# 第二个DataFrame
data2 = {
    'name': ['smith row', 'sam smith', 'susan storm'],
    'age': [26, 30, 25],
    'sex': ['male', 'male', 'female'],
    'nick_name': ['smity', 'sammy', 'suanny']
}
df2 = pd.DataFrame(data2)

print("\ndf2:")
print(df2)
# Output:
#          name  age     sex nick_name
# 0   smith row   26    male     smity
# 1   sam smith   30    male     sammy
# 2  susan storm   25  female    suanny

我们期望的输出结果是 df1 的内容，加上 df2 中 nick_name 作为 name，sex 缩写（如 'm', 'f'）后的新行，而 age 列则因 nick_name 行没有对应年龄而显示为 NaN。

实现步骤

要达到预期的结果，我们需要对 df2 进行一系列的预处理操作，使其结构与 df1 兼容，然后才能进行合并。

NoCode

美团推出的零代码应用生成平台

180 查看详情

步骤 1：重塑 df2 以匹配目标结构

这一步是核心，涉及到列的替换、转换和删除。

1. 将 nick_name 列的值赋给 name 列： 这是将多列信息（这里是 nick_name）映射到目标单列（name）的关键一步。通过直接赋值，我们将 df2 中 nick_name 列的数据“移动”到了 name 列。

   df2_processed = df2.copy() # 创建副本以避免修改原始df2
   df2_processed['name'] = df2_processed['nick_name']

2. 转换 sex 列： 根据需求，我们将 sex 列的值转换为其首字母（例如 'male' 变为 'm'，'female' 变为 'f'）。

   df2_processed['sex'] = df2_processed['sex'].str[0]

3. 删除不需要的列： 为了使 df2_processed 的列结构与 df1 保持一致，我们需要删除 age 和 nick_name 列。age 列被删除后，在后续合并时，对应 nick_name 行的 age 值将自动填充为 NaN，这符合我们的预期。

   df2_processed = df2_processed.drop(columns=['age', 'nick_name'])

将上述操作整合起来：

# 对df2进行处理，使其结构与df1兼容
df2_processed = df2.copy()
df2_processed['name'] = df2_processed['nick_name']  # 将nick_name映射到name列
df2_processed['sex'] = df2_processed['sex'].str[0]  # 将sex转换为首字母
df2_processed = df2_processed.drop(columns=['age', 'nick_name']) # 删除age和nick_name列

print("\ndf2_processed (重塑后):")
print(df2_processed)
# Output:
#        name sex
# 0     smity   m
# 1     sammy   m
# 2    suanny   f

可以看到，df2_processed 现在只有 name 和 sex 两列，并且数据已经按照我们的要求进行了转换。

步骤 2：合并 DataFrames

现在 df1 和 df2_processed 具有兼容的列结构，我们可以使用 pd.concat() 函数将它们按行合并。ignore_index=True 参数将重置索引，确保合并后的DataFrame有一个连续的新索引。

# 合并df1和处理后的df2
final_df = pd.concat([df1, df2_processed], ignore_index=True)

print("\n最终合并结果:")
print(final_df)
# Output:
#           name   age     sex
# 0    smith row  26.0    male
# 1    sam smith  30.0    male
# 2  susan storm  25.0  female
# 3        smity   NaN       m
# 4        sammy   NaN       m
# 5       suanny   NaN       f

结果分析与注意事项

• NaN 值的产生： 在最终的 final_df 中，由 df2_processed 贡献的行在 age 列显示为 NaN。这是因为 df2_processed 在合并前已经移除了 age 列。当 pd.concat 遇到不匹配的列时，会用 NaN 填充缺失值。这通常是预期行为，但如果需要，可以进一步处理这些 NaN 值（例如，填充默认值或删除）。
• 数据类型： 由于 age 列现在包含了浮点数 NaN，整个 age 列的数据类型可能从整数变为浮点数（例如 int64 变为 float64）。在进行后续计算时，请注意这一点。
• 列顺序： pd.concat 会保留第一个DataFrame的列顺序，并根据需要添加其他DataFrame的列。在本例中，df1 和 df2_processed 的列名和顺序都已匹配，因此没有问题。
• “动态映射”的理解： 原始问题中提到“动态映射”。在本教程的场景中，它指的是通过编程方式灵活地修改和重塑DataFrame的结构，以适应特定的合并需求。这通常涉及列的赋值、转换函数（如 .str[0]）和列的删除。

总结

本教程展示了如何利用Pandas的强大功能来重塑和合并DataFrames。关键在于理解如何通过列赋值、数据类型转换和列删除等操作，使不同结构的DataFrame在合并前达到兼容状态。这种方法在处理复杂的数据整合任务时非常实用，能够帮助您灵活地管理和组织数据，以满足多样化的数据分析需求。熟练掌握这些技巧，将大大提升您在数据预处理阶段的效率。

以上就是Pandas数据重塑：多列映射、数据转换与DataFrame合并实践的详细内容，更多请关注其它相关文章！

# 使其  # 免费seo优化诊断分类  # 金牛网站优化  # 相关文章  # 不需要  # 以满足  # 浮点数  # 这一  # 这是  # 首字母  # 如何使用  # 第一个  # 业务推广有哪些网站推荐  # 哪个商城网站建设好  # 抖音足球营销怎么做推广  # 宜城双语网站建设  # 罗源平台推广营销公司招聘  # 河北定州seo  # 短息群发营销推广有用吗  # 石楼网站推广咨询 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： HTML Canvas文本样式定制指南：解决外部字体加载与应用难题  学习通网页版个人登录_学习通网页版个人账户登录入口  TikTok网页版入口快速访问 TikTok官网账号登录方法  windows10怎么关闭自动安装应用_windows10禁止推广应用下载  TikTok视频播放不流畅怎么办 TikTok视频播放优化方法  冬季去哪个城市旅游更有可能观测到极光  Cassandra中复合主键、二级索引与ORDER BY排序的限制与解决方案  铁路12306入口 铁路12306官网版入口登录网址  PHP utf8_encode 字符编码转换疑难解析与最佳实践  qq音乐官方网站入口_qq音乐在线听歌网页版链接  WooCommerce 购物车：始终显示所有交叉销售商品  自定义你的VS Code状态栏，监控关键信息  AO3中文入口稳定分享_AO3官网HTTPS看文详解  《真我》申请退款方法  《合金装备4》有望推出重制版！制作人发话了  百度输入法在AutoCAD中无法输入中文怎么办_百度输入法CAD输入异常解决方法  VS Code中的Tailwind CSS IntelliSense插件使用技巧  漫蛙漫画官方网站使用_漫蛙manwa网页版在线入口教程  小米手机屏幕失灵乱跳怎么办 屏幕触控问题自检与临时解决方法【应急】  百度网盘如何设置上传限额  火柴人战争网页版在线玩  《全民k歌》网页版最新登录入口一览  顺丰快递收费标准查询_如何查看顺丰最新收费价格  如何在Python中安全地将环境变量转换为整数并满足Mypy类型检查  天堂漫画网页版在线阅读 天堂漫画手机版入口  sublime如何自定义文件类型图标_AFileIcon插件的主题切换与个性化配置  《王者荣耀世界》英雄获取攻略  PHP安全加载非公开目录图片与动态内容类型处理指南  mysql数据库索引类型有哪些_mysql索引类型解析  教育查询官方网站入口 教育个人档案查询免费官网  2025SNH48年度青春盛典门票价格及购买方式  盲鳗善于分泌黏液猜猜主要用来做什么  微信朋友圈怎么设置三天可见 微信朋友圈设置指定天数可见步骤【教程】  优化Google Charts Gauge：在数据库无数据时显示默认值  J*aScript二进制处理_ArrayBuffer与Blob  《飞猪旅行》购买汽车票方法  mysql导入sql文件能分批导入吗_mysql分批次导入大sql文件的实用技巧  Python中对象引用与链表属性赋值的机制解析  如何使用 composer 和 aop-php 实现 AOP 编程？  《随手记》备份数据方法  淘口令快速解析技巧  win11如何开启单声道音频 Win11为听障用户合并左右声道【辅助】  汽水音乐网页版登录 汽水音乐网页端官方入口  mysql镜像配置如何恢复数据_mysql镜像配置数据恢复详细流程  抖音网页版地址直接进入_抖音网页版在线观看入口  mysql中外键约束如何使用_mysql FOREIGN KEY操作  《下一站江湖2》大雪山加入方法  《雅迪智行》用手机开锁方法  解决SQLAlchemy模型跨文件关联的Linter兼容性指南  MySQL多重JOIN技巧：高效关联同一表获取多角色信息 

 2025-11-24