python - 使用 Pandas 将新行添加到数据框子集中

Question

我有以下数据框:

Customer ProductID Count

John     1         25
John     6         50
Mary     2         15
Mary     3         35

我希望我的输出如下所示:

Customer ProductID Count

John     1         25
John     2         0
John     3         0
John     6         50
Mary     1         0
Mary     2         15
Mary     3         35
Mary     6         0

我想做的是识别独特的 ProductID来自数据框

unique_ID =  pd.unique(df.ProductID.ravel())
print (unique_ID) = array([1,6,2,3])

自 ProductID客户 John 不存在 2,3，我将按客户名称拆分数据框

df1 = df[df['Customer']=='John']
df2 = df[df['Customer']=='Mary']

打印 df1

Customer  ProductID  Count
John      1          25
John      6          50

打印 df2

Customer  ProductID  Count
Mary      2          15
Mary      3          35

我想添加ProductID 2,3 给约翰和 ProductID 1,6 给玛丽并设置Count对于这些 ProductID 为 0如上面我想要的输出所示。

Answer 1

我认为你可以使用pivot - 你得到的 NaN 值是 fillna由 0 和最后需要 df 的原始形状 - 使用 stack与 reset_index :

print (df.pivot(index='Customer',columns='ProductID', values='Count')
         .fillna(0)
         .stack()
         .reset_index(name='Count'))
  Customer  ProductID  Count
0     John          1   25.0
1     John          2    0.0
2     John          3    0.0
3     John          6   50.0
4     Mary          1    0.0
5     Mary          2   15.0
6     Mary          3   35.0
7     Mary          6    0.0

另一个解决方案 - 首先获取 unique列的值(ProductID 列的 sort_values)，然后创建 MultiIndex.from_product和 reindex df 通过此 Multiindex:

a = df.Customer.unique()
b = df.ProductID.sort_values().unique()

print (a)
['John' 'Mary']
print (b)
[1 2 3 6]

m = pd.MultiIndex.from_product([a,b])
print (m)
MultiIndex(levels=[['John', 'Mary'], [1, 2, 3, 6]],
           labels=[[0, 0, 0, 0, 1, 1, 1, 1], [0, 1, 2, 3, 0, 1, 2, 3]])

df1 = df.set_index(['Customer','ProductID']).reindex(m, fill_value=0).reset_index()
df1.columns = ['Customer','ProductID','Count']
print (df1)
  Customer  ProductID  Count
0     John          1     25
1     John          2      0
2     John          3      0
3     John          6     50
4     Mary          1      0
5     Mary          2     15
6     Mary          3     35
7     Mary          6      0