จัดการข้อมูลด้วย pandas เบื้องต้น บทที่ ๑๑: การแปลงไปมาระหว่างแถวและคอลัมน์
เขียนเมื่อ 2016/09/25 15:12
แก้ไขล่าสุด 2021/09/28 16:42
ปกติแล้วซีรีส์ที่มีดัชนีตัวเดียวจะเป็นข้อมูลที่มีเพียงมิติเดียว คือระบุแค่ดัชนีเพื่อเข้าถึงข้อมูลข้างใน
แต่พอเป็นเดตาเฟรมมีคอลัมน์ด้วยจึงเพิ่มเป็นสองมิติ คือต้องระบุทั้งดัชนีและคอลัมน์
ซีรีส์ที่มีดัชนีซ้อนกันสองตัวก็ถือว่ามีสองมิติเช่นกัน เพราะต้องระบุดัชนีทั้ง ๒ ตัวเพื่อเข้าถึงข้อมูล
ดังนั้นหากมองเช่นนี้แล้ว ซีรีส์ที่มีดัชนีสองตัวกับเดตาเฟรมนั้นก็เป็นอะไรที่คล้ายๆกัน
ที่จริงแล้วเดตาเฟรมนั้นสามารถแปลงให้กลายเป็นซีรีส์ที่มีดัชนีสองตัวได้ไม่ยาก นั่นคือทำโดยใช้เมธอด stack
ตัวอย่าง สร้างตารางข้อมูลของโปเกมอนซึ่งแต่ละแถวแสดงชนิดของโปเกมอน แต่ละคอลัมน์แสดงระดับวิวัฒนาการ (ร่าง) ของโปเกมอน
ได้
จากนั้นลองใช้ stack เพื่อแปลงเป็นซีรีส์ที่มีดัชนี ๒ ตัว
ได้
เท่านี้คอลัมน์ของเดตาเฟรมก็กลายมาเป็นดัชนีตัวที่สองของซีรีส์ที่เกิดขึ้นมาใหม่
ส่วนกระบวนการตรงกันข้าม ก็คือการแปลงจากซีรีส์ที่มีดัชนีสองตัวมาเป็นเดตาเฟรมจะใช้เมธอด unstack
ถ้าลอง
แบบนี้ผลที่ได้ก็คือเดตาเฟรมตัวเดิม
แต่ unstack นั้นสามารถเลือกว่าจะดึงดัชนีตัวไหนมาได้โดยใส่หมายเลขของดัชนีนั้นหรือใส่ชื่อก็ได้ ปกติถ้าไม่ใส่จะเป็นการเลือกดัชนีตัวท้ายสุด ในที่นี้คือ "ร่าง"
ดังนั้นถ้าจะเลือกดึง "ชนิด" ขึ้นมาก็ใส่เป็น
ได้
คอลัมน์กับดัชนีจะกลับกันจากข้อมูลตอนแรก
กรณีข้อมูลสามมิติ
stack นั้นไม่ได้ใช้แค่กับเดตาเฟรมที่มีดัชนีแค่ตัวเดียว แต่กับแบบหลายดัชนีก็สามารถใช้ได้ด้วย
และ unstack นั้นไม่ใช่แค่ใช้กับซีรีส์แต่ยังใช้กับเดตาเฟรมได้ด้วย
ลองดูตัวอย่างโดยใช้โปเกมอนชุดเดิม แต่เพิ่มข้อมูลหมายเลขเข้าไป
แบบนี้จะเป็นข้อมูลที่มีมิติเป็นสามมิติ คือมี "ชนิด", "ร่าง" แล้วก็มีแยกว่าเป็นข้อมูลสายพันธุ์หรือหมายเลข (ไม่ได้ตั้งชื่อ)
ลอง stack ดู
จะได้
ตอนนี้กลายเป็นซีรีส์ที่มีดัชนีถึง ๓ ตัวไปแล้ว และข้อมูลทั้งหมดถูกกางแผ่ออกในแนวนอนทั้งหมดกลายเป็น 3*3*2=18 แถว
ในทางกลับกันลองใช้ unstack ดู
จะได้
กลายเป็นเดตาเฟรมที่มีดัชนีตัวเดียว แต่กลายเป็นว่าคอลัมน์เพิ่มเป็น ๒ ตัว
นอกจากนี้แล้วก็ยัง unstack ซ้ำได้อีก
และผลที่ได้ก็กลายเป็นซีรีส์เหมือนกัน แต่ลำดับจะต่างจากซีรีส์ที่ได้จากการ stack
กรณีที่ข้อมูลไม่ครบสมบูรณ์
ตัวอย่างที่กล่าวมาข้างต้นนั้นเป็นกรณีที่ข้อมูลมีครบถ้วน กล่าวคือไม่ว่าจะโปเกมอนทั้ง ๓ ร่างครบ ๓ ชนิด และทุกตัวก็มีข้อมูลหมายเลขและสายพันธุ์อยู่ครบ
แต่ถ้าข้อมูลไม่ครบสมบูรณ์แบบนั้น เมื่อมีการแปลงไปมาก็จะเกิด NaN ขึ้นได้ ตัวอย่างเช่นถ้าข้อมูลเป็นแบบนี้
ได้
ในตัวอย่างนี้หากจับคู่ระหว่าง "ร่าง" กับ "ชนิด" แล้วละก็จะพบว่าไม่สามารถจับคู่กันได้ครบ
เช่นมี "ไฟ" ร่าง 1 แต่ไม่มี "ไฟ" ร่าง 2 มี "ไฟ/ต่อสู้" ร่าง 2 แต่ไม่มี "ไฟ/ต่อสู้" ร่าง 1
เมื่อใช้ unstack
ผลที่ได้จะออกมาเป็น
จะเห็นได้ว่ามี None อยู่หลายจุดในส่วนที่ข้อมูลขาดไป
แต่ถ้าไม่อยากให้เป์น None เราสามารถเพิ่มคีย์เวิร์ด fill_value ลงไปเพื่อกำหนดค่าที่มาแทนข้อมูลที่ว่างเปล่าได้ เช่น
ได้
พอเป็นแบบนี้หากใช้ stack ซ้อนลงไปก็จะกลายเป็นซีรีส์ที่มีแถวเพิ่มมาเป็น ๑๕ แถว
ได้
แต่หากปล่อยให้เป็น None อยู่แบบนี้แล้ว stack ซ้อนเข้าไปอีกก็จะได้ซีรีส์อันเดิมกลับมา โดยที่ None ที่เกิดขึ้นมานี้ก็หายไปด้วย เพราะปกติเวลา stack ข้อมูลที่เป็น None หรือ NaN จะละไป
แต่หากไม่ต้องการให้ตัด None หรือ NaN ทิ้งก็ให้เพิ่มคีย์เวิร์ด dropna=0 (จากที่ปกติเป็น 1 คือลบ NaN ทิ้งเสมอ)
ตัวอย่าง
ได้
แต่ในกรณีที่ใช้ unstack จะไม่มีการตัดข้อมูลที่เป็น None และไม่มีตัวเลือกให้ตัดทิ้งด้วย
ได้
อ้างอิง
แต่พอเป็นเดตาเฟรมมีคอลัมน์ด้วยจึงเพิ่มเป็นสองมิติ คือต้องระบุทั้งดัชนีและคอลัมน์
ซีรีส์ที่มีดัชนีซ้อนกันสองตัวก็ถือว่ามีสองมิติเช่นกัน เพราะต้องระบุดัชนีทั้ง ๒ ตัวเพื่อเข้าถึงข้อมูล
ดังนั้นหากมองเช่นนี้แล้ว ซีรีส์ที่มีดัชนีสองตัวกับเดตาเฟรมนั้นก็เป็นอะไรที่คล้ายๆกัน
ที่จริงแล้วเดตาเฟรมนั้นสามารถแปลงให้กลายเป็นซีรีส์ที่มีดัชนีสองตัวได้ไม่ยาก นั่นคือทำโดยใช้เมธอด stack
ตัวอย่าง สร้างตารางข้อมูลของโปเกมอนซึ่งแต่ละแถวแสดงชนิดของโปเกมอน แต่ละคอลัมน์แสดงระดับวิวัฒนาการ (ร่าง) ของโปเกมอน
import pandas as pd
pokemon = pd.DataFrame([
['ชิโครีตา','เบย์ลีฟ','เมกาเนียม'],
['ฮิโนอาราชิ','แม็กมาราชิ','บักฟูน'],
['วานิโนโกะ','อาลิเกตซ์','ออร์ไดล์']],
index=pd.Series(['พืช','ไฟ','น้ำ'],name='ชนิด'),
columns=pd.Series([1,2,3],name='ร่าง'))
print(pokemon)
pokemon = pd.DataFrame([
['ชิโครีตา','เบย์ลีฟ','เมกาเนียม'],
['ฮิโนอาราชิ','แม็กมาราชิ','บักฟูน'],
['วานิโนโกะ','อาลิเกตซ์','ออร์ไดล์']],
index=pd.Series(['พืช','ไฟ','น้ำ'],name='ชนิด'),
columns=pd.Series([1,2,3],name='ร่าง'))
print(pokemon)
ได้
| ร่าง | 1 | 2 | 3 |
|---|---|---|---|
| ชนิด | |||
| พืช | ชิโครีตา | เบย์ลีฟ | เมกาเนียม |
| ไฟ | ฮิโนอาราชิ | แม็กมาราชิ | บักฟูน |
| น้ำ | วานิโนโกะ | อาลิเกตซ์ | ออร์ไดล์ |
จากนั้นลองใช้ stack เพื่อแปลงเป็นซีรีส์ที่มีดัชนี ๒ ตัว
print(pokemon.stack())
ได้
ชนิด ร่าง
พืช 1 ชิโครีตา
2 เบย์ลีฟ
3 เมกาเนียม
ไฟ 1 ฮิโนอาราชิ
2 แม็กมาราชิ
3 บักฟูน
น้ำ 1 วานิโนโกะ
2 อาลิเกตซ์
3 ออร์ไดล์
dtype: object
พืช 1 ชิโครีตา
2 เบย์ลีฟ
3 เมกาเนียม
ไฟ 1 ฮิโนอาราชิ
2 แม็กมาราชิ
3 บักฟูน
น้ำ 1 วานิโนโกะ
2 อาลิเกตซ์
3 ออร์ไดล์
dtype: object
เท่านี้คอลัมน์ของเดตาเฟรมก็กลายมาเป็นดัชนีตัวที่สองของซีรีส์ที่เกิดขึ้นมาใหม่
ส่วนกระบวนการตรงกันข้าม ก็คือการแปลงจากซีรีส์ที่มีดัชนีสองตัวมาเป็นเดตาเฟรมจะใช้เมธอด unstack
ถ้าลอง
print(pokemon.stack().unstack())
แบบนี้ผลที่ได้ก็คือเดตาเฟรมตัวเดิม
แต่ unstack นั้นสามารถเลือกว่าจะดึงดัชนีตัวไหนมาได้โดยใส่หมายเลขของดัชนีนั้นหรือใส่ชื่อก็ได้ ปกติถ้าไม่ใส่จะเป็นการเลือกดัชนีตัวท้ายสุด ในที่นี้คือ "ร่าง"
ดังนั้นถ้าจะเลือกดึง "ชนิด" ขึ้นมาก็ใส่เป็น
print(pokemon.stack().unstack('ชนิด'))
# หรือ print(pokemon.stack().unstack(0))
# หรือ print(pokemon.stack().unstack(0))
ได้
| ชนิด | พืช | ไฟ | น้ำ |
|---|---|---|---|
| ร่าง | |||
| 1 | ชิโครีตา | ฮิโนอาราชิ | วานิโนโกะ |
| 2 | เบย์ลีฟ | แม็กมาราชิ | อาลิเกตซ์ |
| 3 | เมกาเนียม | บักฟูน | ออร์ไดล์ |
คอลัมน์กับดัชนีจะกลับกันจากข้อมูลตอนแรก
กรณีข้อมูลสามมิติ
stack นั้นไม่ได้ใช้แค่กับเดตาเฟรมที่มีดัชนีแค่ตัวเดียว แต่กับแบบหลายดัชนีก็สามารถใช้ได้ด้วย
และ unstack นั้นไม่ใช่แค่ใช้กับซีรีส์แต่ยังใช้กับเดตาเฟรมได้ด้วย
ลองดูตัวอย่างโดยใช้โปเกมอนชุดเดิม แต่เพิ่มข้อมูลหมายเลขเข้าไป
pokemon = pd.DataFrame({
'สายพันธุ์':[
'ชิโครีตา','เบย์ลีฟ','เมกาเนียม',
'ฮิโนอาราชิ','แม็กมาราชิ','บักฟูน',
'วานิโนโกะ','อาลิเกตซ์','ออร์ไดล์'],
'หมายเลข':[152,153,154,155,156,157,158,159,160]},
index=[pd.Series(['พืช','พืช','พืช','ไฟ','ไฟ','ไฟ','น้ำ','น้ำ','น้ำ'],name='ชนิด'),
pd.Series([1,2,3,1,2,3,1,2,3],name='ร่าง')])
print(pokemon)
'สายพันธุ์':[
'ชิโครีตา','เบย์ลีฟ','เมกาเนียม',
'ฮิโนอาราชิ','แม็กมาราชิ','บักฟูน',
'วานิโนโกะ','อาลิเกตซ์','ออร์ไดล์'],
'หมายเลข':[152,153,154,155,156,157,158,159,160]},
index=[pd.Series(['พืช','พืช','พืช','ไฟ','ไฟ','ไฟ','น้ำ','น้ำ','น้ำ'],name='ชนิด'),
pd.Series([1,2,3,1,2,3,1,2,3],name='ร่าง')])
print(pokemon)
แบบนี้จะเป็นข้อมูลที่มีมิติเป็นสามมิติ คือมี "ชนิด", "ร่าง" แล้วก็มีแยกว่าเป็นข้อมูลสายพันธุ์หรือหมายเลข (ไม่ได้ตั้งชื่อ)
| สายพันธุ์ | หมายเลข | ||
|---|---|---|---|
| ชนิด | ร่าง | ||
| พืช | 1 | ชิโครีตา | 152 |
| 2 | เบย์ลีฟ | 153 | |
| 3 | เมกาเนียม | 154 | |
| ไฟ | 1 | ฮิโนอาราชิ | 155 |
| 2 | แม็กมาราชิ | 156 | |
| 3 | บักฟูน | 157 | |
| น้ำ | 1 | วานิโนโกะ | 158 |
| 2 | อาลิเกตซ์ | 159 | |
| 3 | ออร์ไดล์ | 160 |
ลอง stack ดู
print(pokemon.stack())
จะได้
ชนิด ร่าง
พืช 1 สายพันธุ์ ชิโครีตา
หมายเลข 152
2 สายพันธุ์ เบย์ลีฟ
หมายเลข 153
3 สายพันธุ์ เมกาเนียม
หมายเลข 154
ไฟ 1 สายพันธุ์ ฮิโนอาราชิ
หมายเลข 155
2 สายพันธุ์ แม็กมาราชิ
หมายเลข 156
3 สายพันธุ์ บักฟูน
หมายเลข 157
น้ำ 1 สายพันธุ์ วานิโนโกะ
หมายเลข 158
2 สายพันธุ์ อาลิเกตซ์
หมายเลข 159
3 สายพันธุ์ ออร์ไดล์
หมายเลข 160
dtype: object
พืช 1 สายพันธุ์ ชิโครีตา
หมายเลข 152
2 สายพันธุ์ เบย์ลีฟ
หมายเลข 153
3 สายพันธุ์ เมกาเนียม
หมายเลข 154
ไฟ 1 สายพันธุ์ ฮิโนอาราชิ
หมายเลข 155
2 สายพันธุ์ แม็กมาราชิ
หมายเลข 156
3 สายพันธุ์ บักฟูน
หมายเลข 157
น้ำ 1 สายพันธุ์ วานิโนโกะ
หมายเลข 158
2 สายพันธุ์ อาลิเกตซ์
หมายเลข 159
3 สายพันธุ์ ออร์ไดล์
หมายเลข 160
dtype: object
ตอนนี้กลายเป็นซีรีส์ที่มีดัชนีถึง ๓ ตัวไปแล้ว และข้อมูลทั้งหมดถูกกางแผ่ออกในแนวนอนทั้งหมดกลายเป็น 3*3*2=18 แถว
ในทางกลับกันลองใช้ unstack ดู
print(pokemon.unstack())
จะได้
| สายพันธุ์ | หมายเลข | |||||
|---|---|---|---|---|---|---|
| ร่าง | 1 | 2 | 3 | 1 | 2 | 3 |
| ชนิด | ||||||
| น้ำ | วานิโนโกะ | อาลิเกตซ์ | ออร์ไดล์ | 158 | 159 | 160 |
| พืช | ชิโครีตา | เบย์ลีฟ | เมกาเนียม | 152 | 153 | 154 |
| ไฟ | ฮิโนอาราชิ | แม็กมาราชิ | บักฟูน | 155 | 156 | 157 |
กลายเป็นเดตาเฟรมที่มีดัชนีตัวเดียว แต่กลายเป็นว่าคอลัมน์เพิ่มเป็น ๒ ตัว
นอกจากนี้แล้วก็ยัง unstack ซ้ำได้อีก
print(pokemon.unstack().unstack())
และผลที่ได้ก็กลายเป็นซีรีส์เหมือนกัน แต่ลำดับจะต่างจากซีรีส์ที่ได้จากการ stack
ร่าง ชนิด
สายพันธุ์ 1 น้ำ วานิโนโกะ
พืช ชิโครีตา
ไฟ ฮิโนอาราชิ
2 น้ำ อาลิเกตซ์
พืช เบย์ลีฟ
ไฟ แม็กมาราชิ
3 น้ำ ออร์ไดล์
พืช เมกาเนียม
ไฟ บักฟูน
หมายเลข 1 น้ำ 158
พืช 152
ไฟ 155
2 น้ำ 159
พืช 153
ไฟ 156
3 น้ำ 160
พืช 154
ไฟ 157
dtype: object
สายพันธุ์ 1 น้ำ วานิโนโกะ
พืช ชิโครีตา
ไฟ ฮิโนอาราชิ
2 น้ำ อาลิเกตซ์
พืช เบย์ลีฟ
ไฟ แม็กมาราชิ
3 น้ำ ออร์ไดล์
พืช เมกาเนียม
ไฟ บักฟูน
หมายเลข 1 น้ำ 158
พืช 152
ไฟ 155
2 น้ำ 159
พืช 153
ไฟ 156
3 น้ำ 160
พืช 154
ไฟ 157
dtype: object
กรณีที่ข้อมูลไม่ครบสมบูรณ์
ตัวอย่างที่กล่าวมาข้างต้นนั้นเป็นกรณีที่ข้อมูลมีครบถ้วน กล่าวคือไม่ว่าจะโปเกมอนทั้ง ๓ ร่างครบ ๓ ชนิด และทุกตัวก็มีข้อมูลหมายเลขและสายพันธุ์อยู่ครบ
แต่ถ้าข้อมูลไม่ครบสมบูรณ์แบบนั้น เมื่อมีการแปลงไปมาก็จะเกิด NaN ขึ้นได้ ตัวอย่างเช่นถ้าข้อมูลเป็นแบบนี้
pokemon = pd.Series(
['คิโมริ','จุปเทิล','จูไคน์',
'อาชาโม','วากะชาโม','บาชาโม',
'มิซึโงโรว','นุมาครอว์','ลากลาร์จ'],
index=[
pd.Series(
['พืช','พืช','พืช',
'ไฟ','ไฟ/ต่อสู้','ไฟ/ต่อสู้',
'น้ำ','น้ำ/ดิน','น้ำ/ดิน'],
name='ชนิด'),
pd.Series([1,2,3,1,2,3,1,2,3],name='ร่าง')])
print(pokemon)
['คิโมริ','จุปเทิล','จูไคน์',
'อาชาโม','วากะชาโม','บาชาโม',
'มิซึโงโรว','นุมาครอว์','ลากลาร์จ'],
index=[
pd.Series(
['พืช','พืช','พืช',
'ไฟ','ไฟ/ต่อสู้','ไฟ/ต่อสู้',
'น้ำ','น้ำ/ดิน','น้ำ/ดิน'],
name='ชนิด'),
pd.Series([1,2,3,1,2,3,1,2,3],name='ร่าง')])
print(pokemon)
ได้
ชนิด ร่าง
พืช 1 คิโมริ
2 จุปเทิล
3 จูไคน์
ไฟ 1 อาชาโม
ไฟ/ต่อสู้ 2 วากะชาโม
3 บาชาโม
น้ำ 1 มิซึโงโรว
น้ำ/ดิน 2 นุมาครอว์
3 ลากลาร์จ
dtype: object
พืช 1 คิโมริ
2 จุปเทิล
3 จูไคน์
ไฟ 1 อาชาโม
ไฟ/ต่อสู้ 2 วากะชาโม
3 บาชาโม
น้ำ 1 มิซึโงโรว
น้ำ/ดิน 2 นุมาครอว์
3 ลากลาร์จ
dtype: object
ในตัวอย่างนี้หากจับคู่ระหว่าง "ร่าง" กับ "ชนิด" แล้วละก็จะพบว่าไม่สามารถจับคู่กันได้ครบ
เช่นมี "ไฟ" ร่าง 1 แต่ไม่มี "ไฟ" ร่าง 2 มี "ไฟ/ต่อสู้" ร่าง 2 แต่ไม่มี "ไฟ/ต่อสู้" ร่าง 1
เมื่อใช้ unstack
print(pokemon.unstack())
ผลที่ได้จะออกมาเป็น
| ร่าง | 1 | 2 | 3 |
|---|---|---|---|
| ชนิด | |||
| น้ำ | มิซึโงโรว | None | None |
| น้ำ/ดิน | None | นุมาครอว์ | ลากลาร์จ |
| พืช | คิโมริ | จุปเทิล | จูไคน์ |
| ไฟ | อาชาโม | None | None |
| ไฟ/ต่อสู้ | None | วากะชาโม | บาชาโม |
จะเห็นได้ว่ามี None อยู่หลายจุดในส่วนที่ข้อมูลขาดไป
แต่ถ้าไม่อยากให้เป์น None เราสามารถเพิ่มคีย์เวิร์ด fill_value ลงไปเพื่อกำหนดค่าที่มาแทนข้อมูลที่ว่างเปล่าได้ เช่น
print(pokemon.unstack(fill_value='---'))
ได้
| ร่าง | 1 | 2 | 3 |
|---|---|---|---|
| ชนิด | |||
| น้ำ | มิซึโงโรว | --- | --- |
| น้ำ/ดิน | --- | นุมาครอว์ | ลากลาร์จ |
| พืช | คิโมริ | จุปเทิล | จูไคน์ |
| ไฟ | อาชาโม | --- | --- |
| ไฟ/ต่อสู้ | --- | วากะชาโม | บาชาโม |
พอเป็นแบบนี้หากใช้ stack ซ้อนลงไปก็จะกลายเป็นซีรีส์ที่มีแถวเพิ่มมาเป็น ๑๕ แถว
print(pokemon.unstack(fill_value='---').stack())
ได้
ชนิด ร่าง
น้ำ 1 มิซึโงโรว
2 ---
3 ---
น้ำ/ดิน 1 ---
2 นุมาครอว์
3 ลากลาร์จ
พืช 1 คิโมริ
2 จุปเทิล
3 จูไคน์
ไฟ 1 อาชาโม
2 ---
3 ---
ไฟ/ต่อสู้ 1 ---
2 วากะชาโม
3 บาชาโม
dtype: object
น้ำ 1 มิซึโงโรว
2 ---
3 ---
น้ำ/ดิน 1 ---
2 นุมาครอว์
3 ลากลาร์จ
พืช 1 คิโมริ
2 จุปเทิล
3 จูไคน์
ไฟ 1 อาชาโม
2 ---
3 ---
ไฟ/ต่อสู้ 1 ---
2 วากะชาโม
3 บาชาโม
dtype: object
แต่หากปล่อยให้เป็น None อยู่แบบนี้แล้ว stack ซ้อนเข้าไปอีกก็จะได้ซีรีส์อันเดิมกลับมา โดยที่ None ที่เกิดขึ้นมานี้ก็หายไปด้วย เพราะปกติเวลา stack ข้อมูลที่เป็น None หรือ NaN จะละไป
print(pokemon.unstack().stack())
แต่หากไม่ต้องการให้ตัด None หรือ NaN ทิ้งก็ให้เพิ่มคีย์เวิร์ด dropna=0 (จากที่ปกติเป็น 1 คือลบ NaN ทิ้งเสมอ)
ตัวอย่าง
print(pokemon.unstack().stack(dropna=0))
ได้
ชนิด ร่าง
น้ำ 1 มิซึโงโรว
2 None
3 None
น้ำ/ดิน 1 None
2 นุมาครอว์
3 ลากลาร์จ
พืช 1 คิโมริ
2 จุปเทิล
3 จูไคน์
ไฟ 1 อาชาโม
2 None
3 None
ไฟ/ต่อสู้ 1 None
2 วากะชาโม
3 บาชาโม
dtype: object
น้ำ 1 มิซึโงโรว
2 None
3 None
น้ำ/ดิน 1 None
2 นุมาครอว์
3 ลากลาร์จ
พืช 1 คิโมริ
2 จุปเทิล
3 จูไคน์
ไฟ 1 อาชาโม
2 None
3 None
ไฟ/ต่อสู้ 1 None
2 วากะชาโม
3 บาชาโม
dtype: object
แต่ในกรณีที่ใช้ unstack จะไม่มีการตัดข้อมูลที่เป็น None และไม่มีตัวเลือกให้ตัดทิ้งด้วย
print(pokemon.unstack().unstack())
ได้
ร่าง ชนิด
1 น้ำ มิซึโงโรว
น้ำ/ดิน None
พืช คิโมริ
ไฟ อาชาโม
ไฟ/ต่อสู้ None
2 น้ำ None
น้ำ/ดิน นุมาครอว์
พืช จุปเทิล
ไฟ None
ไฟ/ต่อสู้ วากะชาโม
3 น้ำ None
น้ำ/ดิน ลากลาร์จ
พืช จูไคน์
ไฟ None
ไฟ/ต่อสู้ บาชาโม
dtype: object
1 น้ำ มิซึโงโรว
น้ำ/ดิน None
พืช คิโมริ
ไฟ อาชาโม
ไฟ/ต่อสู้ None
2 น้ำ None
น้ำ/ดิน นุมาครอว์
พืช จุปเทิล
ไฟ None
ไฟ/ต่อสู้ วากะชาโม
3 น้ำ None
น้ำ/ดิน ลากลาร์จ
พืช จูไคน์
ไฟ None
ไฟ/ต่อสู้ บาชาโม
dtype: object
อ้างอิง
http://qiita.com/airtoxin/items/d66a22c5c7074e23be17
https://openbook4.me/projects/183/sections/1391
https://openbook4.me/projects/183/sections/1391