前言

今天我们将一个 Series 序列数据转为 DataFrame结构。我们将用么 pd.cut() 对数据进行分箱，也会用到 NumPy 的 np.reshape() 对阵列数据进行变形。接下来我们看看具体的需求，再分析一下解决思路，最后用代码实现它。

需求：

需要转为以下形式。对数列整体等分划为三部分，每个部分有两列，前四个在第一列，后四个在第二列，同时对每份数据指定了同名的索引标签。

思路：

• 为了方便后续操作，可以将数据先转为 DataFrame，这样我们就可以新增加辅助列了。由于要对现有数据等份划分，我们可以我是利用
  pd.cut() 数据分箱来完成，对它指定箱子数量，可以帮助我们进行平均划分，为了方便识别我们在分箱后对每个箱子的标签进行指定。
• 接下来，按箱子的标签进行分组，每个组就是要分在一起的数据，我们写一个函数对这些数据进行处理，拼接成想要的数据格式。
• 处理分组的函数可以这样设计，由于它接收的数据只有一列，我们将它 用 NumPy 的 np.reshape()
  进行形状变化，变化后构造为 DataFrame，同时给出列和行的标签值。

二、使用步骤

1.引入库

代码如下（示例）：

import pandas as pd
import numpy as np

2.读入数据

代码如下（示例）：

ser = pd.Series(range(1, 25))
ser

#我们将上述的思路进行代码实现。先将 Series 转为 DataFrame，列名为 x，用 pd.cut() 增加 y 辅助列，用来标识要分在一起的值：
(ser.to_frame('x') # 将 Series 转为 DataFrame# 增加标识，划分为三组.assign(y=pd.cut(ser.index, bins=3, labels=[*'123']))
)

#接下来写分组处理函数：
def reshape_as_df(grp: pd.DataFrame):data = np.reshape(grp.x.to_numpy(), [4, 2], order='F')return pd.DataFrame(data,index=[*'ABCD'],columns=[*'AB'])
# grp 参数是先个分组的 DataFrame 数据，它只有一列 x，索引为 y，先将 x 转为 array 类型传入 np.reshape() 进行形状的变化，
# 这里我们变为 4x2（四行两列），用 order 指定 Fortran-like 索引顺序，这样数据变形的排序就是按列方向的。# 最后将变形后的数据构造为 DataFrame，指定行列返回。

#最后分组并应用这个函数，最终代码为：
def reshape_as_df(grp: pd.DataFrame):data = np.reshape(grp.x.to_numpy(), [4, 2], order='F')return pd.DataFrame(data,index=[*'ABCD'],columns=[*'AB'])# 最终代码
(ser.to_frame('x') # 将 Series 转为 DataFrame# 增加标识，划分为三组.assign(y=pd.cut(ser.index, bins=3, labels=[*'123'])).groupby('y') # 分组.apply(reshape_as_df) # 应用函数
)

总结

以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。