将旧列的值转换为新列，并将配对列的旧值用作新列中的值

Question

我的任务是清理慈善机构设计的移动应用程序中的数据

在一个部分中，用户 Q/A 应用程序使用 session 由一行表示。 此部分由重复的问题答案字段对组成，其中一个字段表示所提出的问题，然后它旁边的字段表示相应的答案。 每个问题/字段和答案列对一起代表一个带有答案的唯一问题。

起始数据

_id                     answers.1.answer answers.0.fieldName answers.1.answer    answers.1.fieldName

5f27f29c362a380d3f9a9e46    1.0           enjoyment              20.0        affectedkneeside           
5f27f2ac362a380d3f9a9e4b    0.0           fatigue2weeks          40.0        avoidexercise             
5f27f4d4362a380d3f9a9e52    1.0           height                 50.0        painlocationknee

我被要求重新格式化该部分，因此每个问题 forms 一个列，相应的答案该列中的一个字段

理想output

_id                    avoidexercise    enjoyment   fatigue2weeks   height
        
5f27f29c362a380d3f9a9e46    1.0           yes            20.0       120.0
5f27f2ac362a380d3f9a9e4b    0.0           no             40.0       180.0
5f27f4d4362a380d3f9a9e52    1.0           yes            50.0       150.0

我的计划是创建许多 pivot 表，从彼此的 Q/A 对列，然后连接（外连接）然后内连接以删除重复

但是，原始 dataframe 包含数字和 object 数据类型的混合

因此，似乎只有一些问答列对正在转换为 pivot 表。 我尝试过使用各种聚合函数

p1 = ur.pivot_table(index=['_id'],columns= ['answers.0.fieldName'],values=['answers.0.answer'],aggfunc=lambda x: ' '.join(x))
p2 = ur.pivot_table(index=['_id'],columns= ['answers.1.fieldName'],values=['answers.1.answer'],aggfunc=lambda x: ' '.join(x))
p3 = ur.pivot_table(index=['_id'],columns= ['answers.2.fieldName'],values=['answers.2.answer'],aggfunc=lambda x: ' '.join(x))

我也试过另一个 lambda function

p1 = ur.pivot_table(index=['_id'],columns= ['answers.0.fieldName'],values=['answers.0.answer'],aggfunc=lambda x: ' '.join(str(v) for v in x)

到目前为止，我得到的最远的是使用标准均值 aggfunc 运行枢轴

p1 = ur.pivot_table(index=['_id'],columns=['answers.0.fieldName'],values=['answers.0.answer'])
ps = [p1,p2,p3]
c = pd.concat(ps)

然后尝试删除合并行和列

df = c.sum(axis=1, level=1, skipna=False)

g = df.groupby('_id').agg(np.sum)

这将返回具有正确形状的 dataframe

但是，它丢失了 object 列中的值，我不确定所有数字列的准确度

为了克服这个问题，我正在考虑将尽可能多的数据转换为数字

c4 = c.apply(pd.to_numeric, errors='ignore').info()

然后将组合的 pivot 表 dataframe 拆分为数字和 object 类型

nu = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']
cndf = c4.select_dtypes(include=nu)
o = ['object', 'bool', 'datetime64', 'category']
codf = c4.select_dtypes(include=o)

并在数字 dataframe 上运行与上述相同的 sum 和 groupby 操作

n1 = cndf.sum(axis=1, level=1, skipna=False)
n2 = n1.groupby('_id').agg(np.sum)

然而，这仍然留下了处理 object 列的挑战

Answer 1

这是另一个更优雅的解决方案。 但同样不处理 object 列

首先定义问答对的数量：

num_answers = 2 #Following your 'Starting data' in the question

然后根据需要使用以下几行来获取 dataframe：

import pandas as pd

df2 = pd.concat([pd.pivot_table(df1, index=['_id'], columns= ['answers.{}.fieldName'.format(i)], values=['answers.{}.answer'.format(i)]) for i in range(num_answers)], axis = 1).fillna('N/A')
df2.columns = [col[1] for col in df2.columns]

这里假设 df1 是带有起始数据的 dataframe。

您可能已经注意到，“N/A”出现在特定 id 没有针对该特定字段的记录答案的单元格中。

假设三行的 ID 分别为 [1,2,3]，则“起始数据”的 output df2 如下所示：

      affectedkneeside  avoidexercise   height  painlocationknee    vomitflag   weight
_id                     
0          N/A                0           N/A         N/A              0         N/A
1          N/A               N/A          156         N/A              N/A       54
2           1                N/A          N/A          3               N/A       N/A