قسمت نوزدهم – استفاده از Pivot و Unpivotدر پانداس

تعداد بازدید مقاله ۳۰

در پانداس، pivot و unpivot دو روش برای تبدیل ساختار داده‌ها هستند که به ترتیب با استفاده از توابع pivot و melt اجرا می‌شوند. در ادامه توضیحات و مثال‌هایی برای این دو ارائه می‌دهم.

pivot در پانداس

تابع pivot در پانداس برای تبدیل یک DataFrame از حالت “طولانی” (long) به حالت “عریض” (wide) استفاده می‌شود. در این ساختار، یک ستون به عنوان شاخص (index) در نظر گرفته می‌شود و ستون‌های دیگر به عنوان ستون‌های جدید یا مقادیر مربوط به آن‌ها تنظیم می‌شوند.

مثال ۱: استفاده از pivot

فرض کنید داده‌هایی درباره‌ی فروش ماهانه محصولات در مناطق مختلف داریم.

import pandas as pd

# داده‌های اولیه در قالب طولانی
data = {
    'Month': ['فروردین', 'فروردین', 'اردیبهشت', 'اردیبهشت', 'خرداد', 'خرداد'],
    'Product': ['محصول A', 'محصول B', 'محصول A', 'محصول B', 'محصول A', 'محصول B'],
    'Amount': [2000, 1500, 3000, 2500, 2200, 1800]
}

df = pd.DataFrame(data)

print(df)

# استفاده از pivot
pivot_df = df.pivot(index='Month', columns='Product', values='Amount')

print(pivot_df)


      Month  Product  Amount
۰   فروردین  محصول A    2000
۱   فروردین  محصول B    1500
۲  اردیبهشت  محصول A    3000
۳  اردیبهشت  محصول B    2500
۴     خرداد  محصول A    2200
۵     خرداد  محصول B    1800
Product   محصول A  محصول B
Month                     
اردیبهشت     ۳۰۰۰     ۲۵۰۰
خرداد        ۲۲۰۰     ۱۸۰۰
فروردین      ۲۰۰۰     ۱۵۰۰

در واقع ما قرار است داده ها را همانند تصویر زیر تغییر دهیم ، داده ها را از سطر به ستون منتقل می کنیم

unpivot در پانداس

تابع melt در پانداس برای تبدیل داده‌ها از حالت “عریض” به حالت “طولانی” (long) استفاده می‌شود و برعکس pivot عمل می‌کند.

مثال ۲: استفاده از unpivot (با melt)

برای مثال، فرض کنید داده‌هایی از فروش محصولات در ماه‌های مختلف داریم و هر ستون نماینده‌ی یک محصول خاص است. با استفاده از melt می‌توانیم این داده‌ها را به حالت طولانی تبدیل کنیم.

import pandas as pd
# داده‌های اولیه در قالب عریض
data = {
    'ماه': ['فروردین', 'اردیبهشت', 'خرداد'],
    'محصول A': [2000, 3000, 2200],
    'محصول B': [1500, 2500, 1800]
}

df = pd.DataFrame(data)
print("داده‌های اولیه:")
print(df)

# استفاده از melt برای unpivot
melt_df = df.melt(id_vars=['ماه'], var_name='محصول', value_name='فروش (تومان)')
print("\nخروجی unpivot:")
print(melt_df)

داده‌های اولیه:
        ماه  محصول A  محصول B
۰   فروردین     ۲۰۰۰     ۱۵۰۰
۱  اردیبهشت     ۳۰۰۰     ۲۵۰۰
۲     خرداد     ۲۲۰۰     ۱۸۰۰

خروجی unpivot:
        ماه    محصول  فروش (تومان)
۰   فروردین  محصول A          2000
۱  اردیبهشت  محصول A          3000
۲     خرداد  محصول A          2200
۳   فروردین  محصول B          1500
۴  اردیبهشت  محصول B          2500
۵     خرداد  محصول B          1800

در واقع در این روش ما می خواهیم داده ها را از ستون به سطر منتقل کنیم همانند تصویر زیر