데이터프레임_변형하기

그룹화하기

groupby 메소드는 데이터프레임의 같은 값을 하나로 묶어서 통계나 집계 결과를 확안하기 위해 사용한다. 예를 들어 기상 데이터를 날짜별, 도시별로 값을 묶어서 통계나 집계 결과를 확인할 수 있다.

Split: 그룹별로 데이터를 나눈다.
Apply: 각 그룹별로 집계 함수를 적용한다.
Combine: 그룹별 집계 결과를 하나로 합치는 과정이다.

import numpy as np
import pandas as pd
 
flight = pd.read_csv('Clean_Dataset.csv')

# aireline 칼럼 기준으로 그룹화하기
airline_group = flight.groupby('airline')
airline_group

<pandas.api.typing.DataFrameGroupBy object at 0x0000010EE82BBCB0>

그룹화를 수행하면 airline 기준으로 데이터들이 모일 것이라고 생각하지만, 수행한 결과는 데이터프레임으로 그룹까지 생성한 것이다. 따라서 그룹화된 결과를 확인하려면 groups 속성을 이용한다.

# 수행 결과 확인하기
airline_group.groups

{'AirAsia': [2, 18, 19, 27, 48, 141, 147, 148, 157, 265, 290, 325, 435, 450, 608, 609, 623, 706, 746, 782, 783, 784, 814, 978, 993, 1085, 1088, 1133, 1210, 1248, 1261, 1284, 1323, 1341, 1343, 1461, 1466, 1483, 1526, 1583, 1685, 1693, 1694, 1695, 1696, 1697, 1698, 1699, 1700, 1701, 1728, 1759, 1760, 1761, 1762, 1866, 1911, 1912, 1913, 1914, 1915, 1916, 1917, 1947, 1972, 1974, 1976, 1977, 1991, 1992, 2083, 2127, 2128, 2129, 2130, 2131, 2132, 2133, 2134, 2135, 2167, 2194, 2196, 2264, 2265, 2292, 2305, 2350, 2351, 2352, 2353, 2354, 2355, 2397, 2422, 2423, 2443, 2444, 2465, 2484, ...], 'Air_India': [16, 17, 23, 37, 40, 41, 42, 43, 44, 49, 50, 51, 52, 53, 60, 71, 74, 75, 82, 86, 87, 96, 98, 107, 108, 110, 113, 114, 115, 117, 142, 143, 144, 145, 146, 151, 152, 162, 163, 164, 166, 168, 173, 182, 189, 191, 193, 195, 196, 197, 198, 199, 207, 211, 223, 225, 229, 236, 237, 241, 242, 243, 247, 250, 266, 267, 268, 269, 272, 280, 291, 295, 303, 309, 314, 315, 316, 319, 321, 329, 333, 343, 352, 357, 361, 362, 363, 372, 376, 379, 380, 381, 385, 387, 388, 390, 391, 392, 393, 394, ...], 'GO_FIRST': [8, 9, 10, 11, 20, 21, 22, 30, 68, 72, 101, 112, 126, 127, 128, 129, 130, 131, 149, 150, 200, 201, 208, 212, 213, 222, 232, 235, 244, 245, 257, 258, 259, 260, 270, 271, 277, 278, 281, 296, 312, 313, 317, 327, 328, 342, 366, 368, 371, 384, 389, 413, 414, 415, 416, 417, 418, 436, 437, 438, 439, 440, 441, 442, 455, 465, 469, 490, 491, 496, 497, 535, 552, 586, 587, 588, 589, 590, 591, 610, 611, 612, 613, 614, 615, 616, 617, 627, 639, 640, 646, 668, 669, 672, 673, 675, 691, 762, 763, 764, ...], 'Indigo': [12, 13, 14, 15, 24, 26, 29, 31, 54, 55, 56, 57, 58, 67, 79, 81, 132, 133, 134, 135, 136, 137, 139, 140, 158, 159, 167, 170, 171, 172, 174, 175, 180, 181, 190, 224, 226, 228, 261, 262, 263, 264, 282, 283, 284, 285, 286, 287, 292, 297, 301, 302, 307, 308, 310, 323, 324, 332, 337, 348, 353, 354, 358, 359, 360, 419, 420, 421, 422, 424, 425, 426, 427, 428, 445, 446, 447, 451, 454, 456, 457, 458, 459, 466, 479, 488, 489, 522, 524, 592, 593, 594, 595, 596, 597, 598, 599, 600, 601, 625, ...], 'SpiceJet': [0, 1, 28, 38, 39, 45, 80, 118, 119, 138, 160, 161, 194, 227, 251, 252, 253, 274, 275, 294, 306, 311, 331, 398, 399, 400, 401, 402, 403, 423, 444, 448, 449, 452, 520, 540, 563, 564, 565, 566, 567, 568, 569, 570, 619, 620, 621, 622, 624, 665, 738, 739, 740, 741, 742, 743, 744, 745, 799, 800, 802, 844, 877, 898, 919, 920, 921, 922, 923, 924, 925, 971, 974, 975, 1049, 1092, 1104, 1105, 1106, 1107, 1108, 1109, 1110, 1111, 1150, 1155, 1200, 1243, 1281, 1286, 1287, 1288, 1289, 1290, 1291, 1331, 1332, 1368, 1369, 1412, ...], 'Vistara': [3, 4, 5, 6, 7, 25, 32, 33, 34, 35, 36, 46, 47, 59, 61, 62, 63, 64, 65, 66, 69, 70, 73, 76, 77, 78, 83, 84, 85, 88, 89, 90, 91, 92, 93, 94, 95, 97, 99, 100, 102, 103, 104, 105, 106, 109, 111, 116, 120, 121, 122, 123, 124, 125, 153, 154, 155, 156, 165, 169, 176, 177, 178, 179, 183, 184, 185, 186, 187, 188, 192, 202, 203, 204, 205, 206, 209, 210, 214, 215, 216, 217, 218, 219, 220, 221, 230, 231, 233, 234, 238, 239, 240, 246, 248, 249, 254, 255, 256, 273, ...]}

데이터는 그룹화된 것을 확인할 수 있지만 가독성은 좋지 않다.

groupby 내부 메소드를 활용하여 데이터를 확인할 수 있다.

count : 데이터 개수
size : 집단별 크기
sum : 데이터의 합
mean, std, var : 평균, 표준편차, 분산 min, max : 최솟값, 최댓값

# 데이터 수 확인하기
airline_group.count()

	Unnamed: 0	flight	source_city	departure_time	stops	arrival_time	destination_city	class	duration	days_left	price
airline
AirAsia	16098	16098	16098	16098	16098	16098	16098	16098	16098	16098	16098
Air_India	80892	80892	80892	80892	80892	80892	80892	80892	80892	80892	80892
GO_FIRST	23173	23173	23173	23173	23173	23173	23173	23173	23173	23173	23173
Indigo	43120	43120	43120	43120	43120	43120	43120	43120	43120	43120	43120
SpiceJet	9011	9011	9011	9011	9011	9011	9011	9011	9011	9011	9011
Vistara	127859	127859	127859	127859	127859	127859	127859	127859	127859	127859	127859

데이터프레임의 복수 개의 칼럼을 기준으로 groupby를 활용하면 다중 인덱싱(multi-indexing)을 설정할 수 있다.

# groupby를 활용하여 다중 인덱싱(multi-indexing) 설정하기
flight.groupby(['airline', 'arrival_time']).mean(numeric_only=True)

		Unnamed: 0	duration	days_left	price
airline	arrival_time
AirAsia	Afternoon	88816.983918	7.496335	26.980507	4206.467836
	Early_Morning	99485.108742	9.454591	27.088842	3632.676617
	Evening	80346.891383	8.628675	27.119117	4539.570963
	Late_Night	105201.948725	9.205835	29.071899	3828.437410
	Morning	107012.537642	9.934108	27.857339	3846.900653
	Night	88657.478861	8.740391	27.487202	4320.171700
Air_India	Afternoon	162295.572046	15.954563	25.827142	23426.571700
	Early_Morning	138717.490455	17.037971	27.539501	18805.551542
	Evening	166211.387508	15.878056	24.942981	24459.593397
	Late_Night	166665.450239	13.214077	24.301435	28014.163158
	Morning	162496.968910	16.411557	25.655767	22792.180401
	Night	164175.090257	14.230348	25.451735	23683.386323
GO_FIRST	Afternoon	90534.220872	7.510892	27.706789	5511.206937
	Early_Morning	85682.954898	10.148961	27.533457	5537.433272
	Evening	86610.596935	8.284801	27.474795	6022.345547
	Late_Night	90382.433765	7.957369	29.245500	5306.723182
	Morning	84289.646143	9.633676	26.265846	5281.059399
	Night	87864.810293	9.087003	26.971360	5808.054728
Indigo	Afternoon	106570.254921	5.483550	26.018053	5458.553278
	Early_Morning	116218.737879	5.913914	29.270398	4107.122586
	Evening	113633.002071	6.255353	25.200587	5914.292555
	Late_Night	110790.778003	5.652350	27.798553	4989.383792
	Morning	93504.652953	4.389309	26.835436	4558.313037
	Night	114668.999528	6.176535	26.114164	5371.779781
SpiceJet	Afternoon	96337.994076	14.371315	25.279621	7116.303318
	Early_Morning	86212.106796	13.395576	20.773925	5348.022191
	Evening	97825.642908	13.826714	24.349964	7465.200285
	Late_Night	125755.550439	7.612829	23.339912	5911.436404
	Morning	88454.211881	12.866352	24.699010	5777.899010
	Night	87037.019268	11.825869	24.129980	5898.403658
Vistara	Afternoon	176534.776824	12.114402	25.469405	27905.873134
	Early_Morning	178997.086816	15.122223	26.597803	28597.738475
	Evening	178147.125191	13.679788	25.935980	31225.269687
	Late_Night	195942.545350	10.051710	26.937031	29699.180243
	Morning	177197.110088	14.913937	25.788161	30180.664694
	Night	177240.740619	12.191358	25.939596	30773.372570

여러 개의 칼럼을 기준으로 groupby한 경우 loc을 이용하여 원하는 인덱스의 데이터만 가져올 수 있다.

# groupby 후 원하는 데이터만 가져오기
flight.groupby(['airline', 'arrival_time']).mean(numeric_only=True).loc[[('AirAsia', 'Evening')]]

		Unnamed: 0	duration	days_left	price
airline	arrival_time
AirAsia	Evening	80346.891383	8.628675	27.119117	4539.570963

인덱스로 그룹화하기

인덱스를 설정하여 그룹화할 때도 groupby 메소드의 레벨(level) 설정이 가능하다.

set_index : 칼럼을 인덱스로 변경하는 경우에 사용
reset_index : 인덱스를 초기화

# set_index로 인덱스 설정하기
flight.set_index(['airline', 'arrival_time'])

		Unnamed: 0	flight	source_city	departure_time	stops	destination_city	class	duration	days_left	price
airline	arrival_time
SpiceJet	Night	0	SG-8709	Delhi	Evening	zero	Mumbai	Economy	2.17	1	5953
SpiceJet	Morning	1	SG-8157	Delhi	Early_Morning	zero	Mumbai	Economy	2.33	1	5953
AirAsia	Early_Morning	2	I5-764	Delhi	Early_Morning	zero	Mumbai	Economy	2.17	1	5956
Vistara	Afternoon	3	UK-995	Delhi	Morning	zero	Mumbai	Economy	2.25	1	5955
	Morning	4	UK-963	Delhi	Morning	zero	Mumbai	Economy	2.33	1	5955
	...	...	...	...	...	...	...	...	...	...	...
	Evening	300148	UK-822	Chennai	Morning	one	Hyderabad	Business	10.08	49	69265
	Night	300149	UK-826	Chennai	Afternoon	one	Hyderabad	Business	10.42	49	77105
	Night	300150	UK-832	Chennai	Early_Morning	one	Hyderabad	Business	13.83	49	79099
	Evening	300151	UK-828	Chennai	Early_Morning	one	Hyderabad	Business	10.00	49	81585
	Evening	300152	UK-822	Chennai	Morning	one	Hyderabad	Business	10.08	49	81585

300153 rows × 10 columns

Aggregate로 집계하기

aggregate 메소드를 활용하면 데이터프레임의 값을 다양하게 집계하여 한 번에 볼 수 있다.

# aggregate 메소드 이용하여 groupby 후 평균값과 최댓값 확인하기
flight.set_index(['airline', 'arrival_time']).groupby(level=[0,1]).aggregate([np.min, np.max])

		Unnamed: 0		flight		source_city		departure_time		stops		destination_city		class		duration		days_left		price
		min	max	min	max	min	max	min	max	min	max	min	max	min	max	min	max	min	max	min	max
airline	arrival_time
AirAsia	Afternoon	27	202598	I5-1228	I5-942	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	0.92	18.33	1	49	1443	31917
	Early_Morning	2	193744	I5-1229	I5-996	Bangalore	Mumbai	Early_Morning	Night	one	zero	Chennai	Mumbai	Economy	Economy	0.92	15.50	1	49	1603	29501
	Evening	10006	205846	I5-1228	I5-991	Bangalore	Mumbai	Afternoon	Morning	one	zero	Bangalore	Mumbai	Economy	Economy	0.92	14.58	1	49	1443	31799
	Late_Night	1693	202571	I5-1228	I5-992	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.25	17.33	1	49	1443	31707
	Morning	19	206617	I5-1228	I5-992	Bangalore	Mumbai	Early_Morning	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.00	19.58	1	49	1105	26360
	Night	1323	202569	I5-1228	I5-996	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	0.92	18.00	1	49	1443	30211
Air_India	Afternoon	37	299989	AI-402	AI-9937	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.00	44.50	1	49	1830	86491
	Early_Morning	8846	300114	AI-403	AI-9928	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.33	40.75	1	49	1776	80762
	Evening	110	299935	AI-401	AI-9929	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.50	49.83	1	49	1830	84374
	Late_Night	193	295659	AI-401	AI-9929	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	2.58	41.58	1	49	3863	89257
	Morning	16	300146	AI-401	AI-9929	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.08	45.83	1	49	1526	86491
	Night	23	300147	AI-401	AI-9991	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.17	41.83	1	49	1830	90970
GO_FIRST	Afternoon	11	206589	G8-101	G8-917	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.00	17.92	1	49	1105	31773
	Early_Morning	150	202069	G8-101	G8-815	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.00	22.50	1	49	1776	25462
	Evening	9	206183	G8-101	G8-917	Bangalore	Mumbai	Afternoon	Morning	one	zero	Bangalore	Mumbai	Economy	Economy	1.17	15.50	1	49	1105	28174
	Late_Night	1521	197767	G8-102	G8-962	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.25	16.08	1	49	1714	16120
	Morning	8	187519	G8-101	G8-812	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.00	20.67	1	49	1714	27620
	Night	21	206320	G8-101	G8-917	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.08	17.00	1	49	1714	32803
Indigo	Afternoon	13	206650	6E-113	6E-982	Bangalore	Mumbai	Afternoon	Morning	one	zero	Bangalore	Mumbai	Economy	Economy	0.92	10.92	1	49	1105	29213
	Early_Morning	1678	206607	6E-134	6E-987	Bangalore	Mumbai	Early_Morning	Night	one	zero	Bangalore	Mumbai	Economy	Economy	0.83	12.42	1	49	1105	24120
	Evening	14	206614	6E-102	6E-982	Bangalore	Mumbai	Afternoon	Morning	one	zero	Bangalore	Mumbai	Economy	Economy	0.92	12.67	1	49	1105	30786
	Late_Night	772	206602	6E-126	6E-992	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.17	12.33	1	49	1105	25086
	Morning	12	206610	6E-121	6E-995	Bangalore	Mumbai	Early_Morning	Night	one	zero	Bangalore	Mumbai	Economy	Economy	0.83	12.50	1	49	1105	24047
	Night	29	206615	6E-102	6E-998	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	0.83	15.42	1	49	1105	31952
SpiceJet	Afternoon	45	193244	SG-163	SG-9974	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.25	26.33	1	49	1566	20874
	Early_Morning	275	206184	SG-1031	SG-8803	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.00	26.33	1	44	1106	25454
	Evening	194	203920	SG-197	SG-9911	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.08	27.92	1	49	2491	27769
	Late_Night	10389	187402	SG-1057	SG-8906	Bangalore	Kolkata	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	2.50	19.25	1	49	2568	20298
	Morning	1	203820	SG-1032	SG-9923	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.00	27.50	1	49	1444	34158
	Night	0	202067	SG-1062	SG-958	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Economy	Economy	1.75	27.58	1	49	2100	26939
Vistara	Afternoon	3	300133	UK-613	UK-996	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.50	33.08	1	49	2022	115211
	Early_Morning	573	300125	UK-637	UK-995	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.50	26.08	4	49	2074	106416
	Evening	7	300152	UK-613	UK-996	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.00	37.58	1	49	1776	117307
	Late_Night	43306	290332	UK-772	UK-986	Bangalore	Mumbai	Afternoon	Night	one	zero	Delhi	Delhi	Business	Economy	2.17	28.33	3	49	2339	83087
	Morning	4	300138	UK-613	UK-996	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.17	47.08	1	49	1714	111964
	Night	46	300150	UK-613	UK-996	Bangalore	Mumbai	Afternoon	Night	one	zero	Bangalore	Mumbai	Business	Economy	1.00	40.00	1	49	1714	123071

피벗 테이블 생성하기

‘(축을 중심으로) 회전한다’는 사전적 의미처럼 pivot과 pivot_table 메소드는 행 데이터를 열 데이터로 회전할 수 있다.

# pivot/pivot_table을 위한 데이터프레임 만들기
pivot_data = pd.DataFrame({'cust_id': ['cust_1', 'cust_1', 'cust_1', 'cust_2', 'cust_2', 'cust_2', 'cust_3', 'cust_3', 'cust_3'],
                           'prod_cd': ['p1', 'p2', 'p3', 'p1', 'p2', 'p3', 'p1', 'p2', 'p3'],
                           'grade': ['A', 'A', 'A', 'A', 'A', 'A', 'B', 'B', 'B'],
                           'purch_amt': [30, 10, 0, 40, 15, 30, 0, 0, 10]})
pivot_data

	cust_id	prod_cd	grade	purch_amt
0	cust_1	p1	A	30
1	cust_1	p2	A	10
2	cust_1	p3	A	0
3	cust_2	p1	A	40
4	cust_2	p2	A	15
5	cust_2	p3	A	30
6	cust_3	p1	B	0
7	cust_3	p2	B	0
8	cust_3	p3	B	10

pivot을 사용하여 해당 데이터프레임을 변경해보자. pivot은 기본적으로 index, columns, values를 지정하여 구성할 수 있다.

# pivot 활용하기
pivot_data.pivot(index = 'cust_id', columns='prod_cd', values='purch_amt')

prod_cd	p1	p2	p3
cust_id
cust_1	30	10	0
cust_2	40	15	30
cust_3	0	0	10

pivot과 pivot_table의 기능은 동일하지만, pivot_table은 pivot과 다르게 aggfunc를 지정할 수 있다. aggfunc을 지정할 때 중복값이 존재하는 경우 pivot은 사용할 수 없고 pivot_table만 사용할 수 있다.

try:
    pivot_data.pivot(index='grade', columns='prod_cd', values='purch_amt')
except Exception as e:
    print(f"Error occurred: {e}")

Error occurred: Index contains duplicate entries, cannot reshape

pivot을 수행하면 위와 같이 인덱스에 중복이 있어 변경할 수 없다는 에러 메시지가 나타난다. 실제 인덱스로 쓰인 grade는 중복값을 가지고 있다. 하지만 pivot_table을 동일하게 수행할 경우 평균값이 결과로 보여진다.

# pivot_table 활용하기
pivot_data.pivot_table(index='grade', columns='prod_cd', values='purch_amt')

prod_cd	p1	p2	p3
grade
A	35.0	12.5	15.0
B	0.0	0.0	10.0

pivot_table에서 aggfunc의 기본은 평균값이고, 따로 지정할 수도 있다.

아래는 aggfunc을 합계로 지정한 예시이다.

# pivot_table의 aggfunc 지정하기
pivot_data.pivot_table(index='grade', columns='prod_cd', values='purch_amt', aggfunc=np.sum)

prod_cd	p1	p2	p3
grade
A	70	25	30
B	0	0	10

인덱스 및 칼럼 레벨 변경하기

데이터프레임을 변형하는 또 다른 방법으로 stack/unstack 메소드를 알아보자. ‘쌓다’라는 의미로 stack은 칼럼 레벨에서 인덱스 레벨로 데이터프레임을 변경한다. 데이터를 행의 레벨로 쌓아 올리는 개념으로 이해하면 된다.

반대로 unstack은 인덱스 레벨에서 칼럼 레벨로 위치를 변경하여 데이터를 쌓아 올린다.

# stack/unstack을 위한 데이터프레임 만들기
stack_data = pd.DataFrame({
    'Location': ['Seoul', 'Seoul', 'Seoul', 'Kyounggi', 'Kyounggi', 'Busan', 'Seoul', 'Seoul', 'Busan', 'Kyounggi', 'Kyounggi', 'Kyounggi'],
    'Day': ['Mon', 'Tue', 'Wed', 'Mon', 'Tue', 'Mon', 'Thu', 'Fri', 'Tue', 'Wed', 'Thu', 'Fri'],
    'Ranfall': [100, 80, 1000, 200, 200, 100, 50, 100, 200, 100, 50, 100],
    'Rainfall_precipitation': [80, 70, 90, 10, 20, 30, 50, 90, 20, 80, 50, 10],
    'Temp': [32, 27, 32, 31, 30, 28, 27, 25, 26, 33, 34, 31]
    })
stack_data

	Location	Day	Ranfall	Rainfall_precipitation	Temp
0	Seoul	Mon	100	80	32
1	Seoul	Tue	80	70	27
2	Seoul	Wed	1000	90	32
3	Kyounggi	Mon	200	10	31
4	Kyounggi	Tue	200	20	30
5	Busan	Mon	100	30	28
6	Seoul	Thu	50	50	27
7	Seoul	Fri	100	90	25
8	Busan	Tue	200	20	26
9	Kyounggi	Wed	100	80	33
10	Kyounggi	Thu	50	50	34
11	Kyounggi	Fri	100	10	31

Location과 Day를 인덱스로 설정하고 새로운 데이터프레임을 만든다.

# 인덱스 설정하기
new_stack_data = stack_data.set_index(['Location', 'Day'])
new_stack_data

		Ranfall	Rainfall_precipitation	Temp
Location	Day
Seoul	Mon	100	80	32
	Tue	80	70	27
	Wed	1000	90	32
Kyounggi	Mon	200	10	31
Kyounggi	Tue	200	20	30
Busan	Mon	100	30	28
Seoul	Thu	50	50	27
Seoul	Fri	100	90	25
Busan	Tue	200	20	26
Kyounggi	Wed	100	80	33
	Thu	50	50	34
	Fri	100	10	31

unstack은 인덱스 레벨에서 칼럼 레벨로 위치를 변경하여 데이터를 쌓아 올리는 것이다.

# unstack 확인하기
new_stack_data.unstack(0)

	Ranfall			Rainfall_precipitation			Temp
Location	Busan	Kyounggi	Seoul	Busan	Kyounggi	Seoul	Busan	Kyounggi	Seoul
Day
Fri	NaN	100.0	100.0	NaN	10.0	90.0	NaN	31.0	25.0
Mon	100.0	200.0	100.0	30.0	10.0	80.0	28.0	31.0	32.0
Thu	NaN	50.0	50.0	NaN	50.0	50.0	NaN	34.0	27.0
Tue	200.0	200.0	80.0	20.0	20.0	70.0	26.0	30.0	27.0
Wed	NaN	100.0	1000.0	NaN	80.0	90.0	NaN	33.0	32.0

첫 번째 인덱스 Location이 칼럼 레벨로 올라간 것을 확인할 수 있다. 인덱스에도 레벨(Depth)이 있어서 unstack(1)을 수행해 보면 두 번째 인덱스였던 요일이 칼럼 레벨로 올라간다.

jihun's study log

탐색기