宽数据变身记：melt 函数，数据界的变形金刚！
各位数据英雄们，晚上好！我是你们的老朋友，数据界的段子手，今天要跟大家聊聊数据变形的魔法——宽数据到长数据的转换。啥？你问我什么是宽数据，什么是长数据？别急，搬好小板凳，听我慢慢道来，保证你听完之后，也能像孙悟空一样，挥舞着金箍棒（melt 函数），把你的数据玩转于股掌之间！
第一幕：数据世界的两极分化——宽与长的爱恨情仇
咱们先来认识一下数据界的两大门派：宽数据和长数据。
-
宽数据： 想象一下，你手里拿着一张Excel表格，每一列都代表一个不同的变量，每一行代表一个独立的个体。就好比一个班级里，每一列是学生的姓名、年龄、性别、考试成绩、爱好等等，而每一行就是一个学生。这种数据格式，信息量大，一目了然，就像一位身材丰腴的美人，曲线毕露，尽收眼底。
| 学生姓名 | 年龄 | 性别 | 语文成绩 | 数学成绩 | 英语成绩 | | -------- | ---- | ---- | -------- | -------- | -------- | | 张三 | 10 | 男 | 90 | 85 | 92 | | 李四 | 11 | 女 | 88 | 95 | 80 | | 王五 | 10 | 男 | 75 | 82 | 88 |优点： 直观易懂，方便人类阅读。
缺点： 浪费存储空间，不利于某些统计分析，比如你想统计所有科目的平均成绩，就得手动操作，效率低下。 -
长数据： 再想象一下，你把这张Excel表格竖起来，让变量名变成一列，对应的值变成另一列。还是刚才的班级例子，现在变成每一行代表一个学生在某个科目上的成绩。就像一位苗条的舞者，身姿婀娜，更有韵味。
| 学生姓名 | 科目 | 成绩 | | -------- | ------ | ---- | | 张三 | 语文 | 90 | | 张三 | 数学 | 85 | | 张三 | 英语 | 92 | | 李四 | 语文 | 88 | | 李四 | 数学 | 95 | | 李四 | 英语 | 80 | | 王五 | 语文 | 75 | | 王五 | 数学 | 82 | | 王五 | 英语 | 88 |优点： 节省存储空间，方便进行统计分析，比如计算平均成绩、绘制各种图表。
缺点： 不够直观，不如宽数据容易理解。
宽数据和长数据就像一对欢喜冤家，各有千秋，各有优劣。在不同的场景下，我们需要选择不同的数据格式。但是，有时候我们拿到的数据是宽格式的，而我们需要的是长格式的，怎么办呢？别慌！我们的主角——melt 函数，闪亮登场！✨
第二幕：melt 函数的华丽变身——数据变形金刚
melt 函数，顾名思义，就是“融化”的意思。它可以将宽数据“融化”成长数据，就像冰雪融化成水一样，改变数据的形态。
melt 函数是 Pandas 库中的一个函数，所以在使用之前，我们需要先导入 Pandas 库。
import pandas as pdmelt 函数的基本语法如下：
pd.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None, ignore_index=True)参数解释：
frame：需要进行转换的 DataFrame 对象。id_vars：不需要进行转换的列，也就是保持不变的列。相当于身份证，用来识别每个个体。value_vars：需要进行转换的列，也就是要“融化”的列。如果没有指定，默认转换所有非id_vars的列。var_name：转换后的变量名，也就是原来列名的名称。默认是'variable'。value_name：转换后的值名，也就是原来列对应的值的名称。默认是'value'。col_level：如果列名是多层索引，指定要使用的层级。ignore_index：是否忽略原来的索引，重新生成新的索引。默认是True。
是不是感觉有点晕？没关系，咱们用几个例子来加深理解。
例子1：最简单的变形
假设我们有以下宽数据：
data = {'学生姓名': ['张三', '李四', '王五'],
'语文成绩': [90, 88, 75],
'数学成绩': [85, 95, 82],
'英语成绩': [92, 80, 88]}
df = pd.DataFrame(data)
print(df)输出：
学生姓名 语文成绩 数学成绩 英语成绩
0 张三 90 85 92
1 李四 88 95 80
2 王五 75 82 88现在，我们想把它转换成长数据，将语文成绩、数学成绩、英语成绩这三列“融化”成两列：科目和成绩。
df_melted = pd.melt(df, id_vars=['学生姓名'], value_vars=['语文成绩', '数学成绩', '英语成绩'], var_name='科目', value_name='成绩')
print(df_melted)输出：
学生姓名 科目 成绩
0 张三 语文成绩 90
1 李四 语文成绩 88
2 王五 语文成绩 75
3 张三 数学成绩 85
4 李四 数学成绩 95
5 王五 数学成绩 82
6 张三 英语成绩 92
7 李四 英语成绩 80
8 王五 英语成绩 88看，是不是很简单？我们指定了 id_vars 为 ['学生姓名']，表示学生姓名这一列保持不变；指定了 value_vars 为 ['语文成绩', '数学成绩', '英语成绩']，表示这三列要进行转换；指定了 var_name 为 '科目'，表示转换后的变量名是“科目”；指定了 value_name 为 '成绩'，表示转换后的值名是“成绩”。
例子2：省略 value_vars
如果我们想转换所有非 id_vars 的列，可以省略 value_vars 参数。
df_melted = pd.melt(df, id_vars=['学生姓名'], var_name='科目', value_name='成绩')
print(df_melted)输出结果和上面一样。
例子3：自定义列名
我们可以根据自己的需求，自定义转换后的列名。
df_melted = pd.melt(df, id_vars=['学生姓名'], var_name='examination', value_name='score')
print(df_melted)输出：
学生姓名 examination score
0 张三 语文成绩 90
1 李四 语文成绩 88
2 王五 语文成绩 75
3 张三 数学成绩 85
4 李四 数学成绩 95
5 王五 数学成绩 82
6 张三 英语成绩 92
7 李四 英语成绩 80
8 王五 英语成绩 88例子4：多层索引列名
如果 DataFrame 的列名是多层索引，我们可以使用 col_level 参数指定要使用的层级。
假设我们有以下 DataFrame：
data = {'学生姓名': ['张三', '李四', '王五'],
('成绩', '语文'): [90, 88, 75],
('成绩', '数学'): [85, 95, 82],
('成绩', '英语'): [92, 80, 88]}
df = pd.DataFrame(data)
print(df)输出：
学生姓名 (成绩, 语文) (成绩, 数学) (成绩, 英语)
0 张三 90 85 92
1 李四 88 95 80
2 王五 75 82 88df_melted = pd.melt(df, id_vars=['学生姓名'], var_name='科目', value_name='成绩', col_level=1)
print(df_melted)输出：
学生姓名 科目 成绩
0 张三 语文 90
1 李四 语文 88
2 王五 语文 75
3 张三 数学 85
4 李四 数学 95
5 王五 数学 82
6 张三 英语 92
7 李四 英语 80
8 王五 英语 88我们指定了 col_level=1，表示使用第二层索引作为变量名。
总结：
melt 函数就像一个魔法棒，可以轻松地将宽数据转换成长数据。掌握了 melt 函数，你就可以根据自己的需求，灵活地处理各种数据格式，让数据分析更加得心应手。
第三幕：melt 函数的应用场景——数据变形的舞台
melt 函数的应用场景非常广泛，只要涉及到数据格式转换，都可以派上用场。下面列举一些常见的应用场景：
-
时间序列数据： 比如股票价格、气温变化等，通常以宽格式存储，每一列代表一个时间点。我们可以使用
melt函数将它转换成长格式，方便进行时间序列分析。 -
调查问卷数据： 问卷调查的结果通常以宽格式存储，每一列代表一个问题。我们可以使用
melt函数将它转换成长格式，方便进行统计分析。 -
实验数据： 实验数据通常以宽格式存储，每一列代表一个实验条件。我们可以使用
melt函数将它转换成长格式，方便进行统计分析。 -
数据库数据： 从数据库中导出的数据，有时是宽格式的，我们需要使用
melt函数将它转换成长格式，才能进行后续的处理。
总之，只要你需要将宽数据转换成长数据，melt 函数就是你的最佳选择。
第四幕：melt 函数的进阶技巧——数据变形的高阶玩法
除了基本用法之外，melt 函数还有一些进阶技巧，可以让你更加灵活地处理数据。
-
结合其他函数使用：
melt函数可以和其他 Pandas 函数结合使用，比如groupby()、pivot_table()等，实现更加复杂的数据分析。 -
处理缺失值： 在进行数据转换之前，可以先处理缺失值，避免影响转换结果。
-
数据类型转换： 在进行数据转换之后，可以根据需要，将数据类型转换为合适的类型。
-
自定义排序： 可以自定义转换后的数据的排序方式，让数据更加整洁。
掌握了这些进阶技巧，你就可以像一位经验丰富的魔术师，随心所欲地玩转数据，让数据焕发出新的光彩。
结尾：数据变形，永无止境！
数据世界千变万化，数据格式也层出不穷。掌握了 melt 函数，只是我们数据探索之旅的第一步。在未来的日子里，我们还需要不断学习新的数据处理技巧，才能在数据海洋中自由遨游，发现更多的宝藏。
希望今天的分享对大家有所帮助。记住，数据分析不仅仅是一门技术，更是一门艺术。让我们一起努力，用数据创造价值，用代码改变世界！💪
最后，送给大家一句名言：
数据在手，天下我有！ 🚀