Pandas实现列表分列与字典分列的三个实例
大家好，我是小小明，本人非常擅长解决各类复杂数据处理的逻辑，包括各类结构化与非结构化数据互转，字符串解析匹配等等。
至今已经帮助很多数据从业者解决工作中的实际问题，如果你在数据处理上遇到什么困难，欢迎与我交流。
上次我分享了一道基础题N种解题思路，其中一种读取数据的过程涉及到列表分列，详见：https://blog.csdn.net/as604049322/article/details/112760894
这次我将分享三个实际案例，让大家看看列表分列的一些实际应用。
首先，我们先导包并设置Pandas显示参数：
import pandas as pd
pd.set_option("display.max_colwidth", 100)
正则提取并分列
需求：
读取数据：
df = pd.read_excel("正则提取与分列.xlsm", usecols=[0])
df.head()
结果：
| 补回原因 | |
|---|---|
| 0 | 核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天 |
| 1 | 核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天 |
| 2 | 核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天 |
| 3 | 核实断网时间：20190312到20190802号无上网记录，断网4个月20天 |
| 4 | 核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月 |
实现代码：
result = df.copy()
result["tmp"] = result["补回原因"].str.findall("([\d.]+[到至][\d.]+)")
result = result.agg({
"补回原因": lambda x: x, "tmp": pd.Series}).droplevel(0, axis=1)
result.head()
结果：
| 补回原因 | 0 | 1 | 2 | |
|---|---|---|---|---|
| 0 | 核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天 | 20190128至20190217 | 20190223至20190311 | 20190407至20190622 |
| 1 | 核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天 | 2019.06.20到2019.07.22 | NaN | NaN |
| 2 | 核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天 | 20190130到20190322 | 20190414到20190719 | NaN |
| 3 | 核实断网时间：20190312到20190802号无上网记录，断网4个月20天 | 20190312到20190802 | NaN | NaN |
| 4 | 核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月 | 2019.03.29到2019.06.29 | NaN | NaN |
分步解析：
df["tmp"] = df["补回原因"].str.findall("([\d.]+[到至][\d.]+)")
df.head(5)
结果：
| 补回原因 | tmp | |
|---|---|---|
| 0 | 核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天 | [20190128至20190217, 20190223至20190311, 20190407至20190622] |
| 1 | 核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天 | [2019.06.20到2019.07.22] |
| 2 | 核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天 | [20190130到20190322, 20190414到20190719] |
| 3 | 核实断网时间：20190312到20190802号无上网记录，断网4个月20天 | [20190312到20190802] |
| 4 | 核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月 | [2019.03.29到2019.06.29] |
这步使用正则提取出每个日期字符串，[\d.]+表示连续的数字或.用于匹配时间字符串，两个时间之间的连接字符可能是到或至。
然后我使用agg函数直接对Datafream分列：
df.agg({
"补回原因": lambda x: x, "tmp": pd.Series})
结果：
由于列索引多了一级，所以需要删除：
df.agg({
"补回原因": lambda x: x, "tmp": pd.Series}).droplevel(0, axis=1).head()
结果：
| 补回原因 | 0 | 1 | 2 | |
|---|---|---|---|---|
| 0 | 核实断网时间；20190128至20190217，20190223至20190311,20190407至20190622号无上网记录，协商补回3个月21天 | 20190128至20190217 | 20190223至20190311 | 20190407至20190622 |
| 1 | 核实断网时间；2019.06.20到2019.07.22无上网记录，断网1个月3天 | 2019.06.20到2019.07.22 | NaN | NaN |
| 2 | 核实断网时间从20190130到20190322，20190414到20190719无上网记录，断网5个月7天 | 20190130到20190322 | 20190414到20190719 | NaN |
| 3 | 核实断网时间：20190312到20190802号无上网记录，断网4个月20天 | 20190312到20190802 | NaN | NaN |
| 4 | 核实断网时间：2019.03.29到2019.06.29无上网记录，协商补回3个月 | 2019.03.29到2019.06.29 | NaN | NaN |
droplevel(0, axis=1)用于删除多级索引指定的级别，axis=0可以删除行索引，axis=1则可以删除列索引，第一参数表示删除级别0。当然如果列索引存在名称时还可以传入名称字符串，可参考官网文档：
df = pd.DataFrame([
... [1, 2, 3, 4],
... [5, 6, 7, 8],
... [9, 10, 11, 12]
... ]).set_index([0, 1]).rename_axis(['a', 'b'])
>>> df.columns = pd.MultiIndex.from_tuples([
... ('c', 'e'), ('d', 'f')
... ], names=['level_1', 'level_2'])
>>> df
level_1 c d
level_2 e f
a b
1 2 3 4
5 6 7 8
9 10 11 12
>>> df.droplevel('a')
level_1 c d
level_2 e f
b
2 3 4
6 7 8
10 11 12
>>> df.droplevel('level2', axis=1)
level_1 c d
a b
1 2 3 4
5 6 7 8
9 10 11 12
分组聚合并分列
需求：
首先，读取数据：
df = pd.read_excel("分组聚合并分列.xlsx")
df
结果：
实现代码：
(
df.groupby("姓名")["得分"]
.apply(list)
.apply(pd.Series)
.fillna("")
.rename(columns=lambda x: f"得分{x+1}")
.reset_index()
.astype({
"得分1":"int8"})
)
结果：
分布解析：
首先将每个姓名的得分聚合成列表，并最终返回一个Series：
df.groupby("姓名")["得分"].apply(list)
结果：
姓名
孙四娘 [7, 28]
看见星光 [88, 28, 23]
看见月光 [69, 10, 87]
老祝 [51, 29]
马青梅 [99]
Name: 得分, dtype: object
当然，这步的标准写法应该是使用Series的内部方法：
df.groupby("姓名")["得分"].apply(lambda x:x.to_list())
使用Series内部方法的性能比python列表方法转换快一些。
作为一个Series就可以通过将每个列表元素转换为Series，从而最终返回一个分列的Datafream：
_.apply(pd.Series)
结果：
注意：
_在ipython表示上一个输出返回的结果，jupyter还额外支持_num表示num编号单元格的输出。
_.fillna("")
结果：
fillna表示填充缺失值，传入""表示将缺失值填充为空字符串。
下面重命名一下列名：
_.rename(columns=lambda x: f"得分{x+1}")
结果：
然后还原索引：
_.reset_index()
结果：
发现结果中有一列，不是整数，所以还原成整数（总分100分，8位足够存储）：
_.astype({
"得分1":"int8"})
结果：
解析json字符串并字典分列
需求：
首先读取数据：
df = pd.read_excel("字典分列.xlsx")
df.head()
结果：
处理代码：
result = df.features.apply(eval).apply(pd.Series)
result["counts"] = df.counts
result
结果：
| 储存条件 | 品牌 | 推荐理由 | 品种 | 食用方式 | 是否进口 | 特色服务 | 是否有机 | counts | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 常温 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 33 |
| 1 | 冷藏 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 24 |
| 2 | 常温 | 禾煜 | NaN | NaN | NaN | NaN | NaN | NaN | 22 |
| 3 | 常温 | 妙洁 | NaN | NaN | NaN | NaN | NaN | NaN | 16 |
| 4 | 冷冻 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 14 |
| … | … | … | … | … | … | … | … | … | … |
| 2083 | 常温 | 乐事 | 够薄够脆 | NaN | NaN | NaN | NaN | NaN | 1 |
| 2084 | 冷藏 | NaN | 生态种植 | 黄瓜 | NaN | NaN | NaN | 有机 | 1 |
| 2085 | 冷藏 | NaN | 腥味较淡 | 鲫鱼 | NaN | NaN | 免费宰杀 | NaN | 1 |
| 2086 | 冷藏 | NaN | 甜脆可口 | 佛手瓜 | NaN | NaN | NaN | NaN | 1 |
| 2087 | 冷藏 | 叮咚日日鲜 | 全程可追溯 | 猪小排 | NaN | NaN | NaN | NaN | 1 |
2088 rows × 9 columns
浅析：
df.features.apply(eval)用于将features列的每个json字符串解析为字典对象。
**.apply(pd.Series)则可以将每个字典对象转换成Series，则可以将该字典扩展到多列，并将原始的Series转换为Datafream。
而result["counts"] = df.counts则将原始数据的counts列添加到结果列中。
总结
经过三个案例的练习，大家是否已经对Pandas的分列操作比较熟悉呢？
欢迎大家在下方评论区留言你的看法。