Как создать 3d dataframe pandas (с примером)

Вы можете использовать модуль xarray для быстрого создания 3D-фрейма данных pandas.

В этом руководстве объясняется, как создать следующий 3D DataFrame pandas с использованием функций модуля xarray:

 product_A product_B product_C
year quarter                                 
2021 Q1 1.624345 0.319039 50
     Q2 -0.611756 0.319039 50
     Q3 -0.528172 0.319039 50
     Q4 -1.072969 0.319039 50
2022 Q1 0.865408 -0.249370 50
     Q2 -2.301539 -0.249370 50
     Q3 1.744812 -0.249370 50
     Q4 -0.761207 -0.249370 50

Пример: создание 3D-фрейма данных Pandas 3D

Следующий код показывает, как создать набор 3D-данных с помощью функций xarray и NumPy :

 import numpy as np
import xarray as xr

#make this example reproducible
n.p. random . seeds (1)

#create 3D dataset
xarray_3d = xr. Dataset (
    { " product_A ": (("year", "quarter"), np.random.randn (2,4))},
    coordinates={
        " year ": [2021, 2022],
        " quarter ": ["Q1", "Q2", "Q3", "Q4"],
        " product_B ": ("year", np. random . randn (2)),
        " product_C ": 50,
    },
)

#view 3D dataset
print (xarray_3d)

Dimensions: (year: 2, quarter: 4)
Coordinates:
  * year (year) int32 2021 2022
  * quarter (quarter) <U2 'Q1' 'Q2' 'Q3' 'Q4'
    product_B (year) float64 0.319 -0.2494
    product_C int32 50
Data variables:
    product_A (year, quarter) float64 1.624 -0.6118 -0.5282 ... 1.745 -0.7612

Примечание . Функция NumPy randn() возвращает примерные значения из стандартного нормального распределения .

Затем мы можем использовать функцию to_dataframe() для преобразования этого набора данных в DataFrame pandas:

 #convert xarray to DataFrame
df_3d = xarray_3d. to_dataframe ()

#view 3D DataFrame
print (df_3d)

              product_A product_B product_C
year quarter                                 
2021 Q1 1.624345 0.319039 50
     Q2 -0.611756 0.319039 50
     Q3 -0.528172 0.319039 50
     Q4 -1.072969 0.319039 50
2022 Q1 0.865408 -0.249370 50
     Q2 -2.301539 -0.249370 50
     Q3 1.744812 -0.249370 50
     Q4 -0.761207 -0.249370 50

В результате получается DataFrame 3D pandas, содержащий информацию о количестве продаж трех разных продуктов за два разных года и четыре разных квартала в году.

Мы можем использовать функцию type() , чтобы подтвердить, что этот объект действительно является DataFrame pandas:

 #display type of df_3d
type (df_3d)

pandas.core.frame.DataFrame

Объект действительно является DataFrame pandas.

Дополнительные ресурсы

В следующих руководствах объясняется, как выполнять другие распространенные функции в pandas:

Pandas: Как найти уникальные значения в столбце
Панды: как найти разницу между двумя строками
Pandas: Как подсчитать пропущенные значения в DataFrame