熔化 Pandas Dataframe 並根據其數據類型分離值列

Question

假設我有一個 Dataframe 正在從 CSV 讀取，看起來大致像這樣

date         1      2       3       4
05-10-2019   20     32      43.5    Auto
06-10-2019   19     Off     54.6    Auto
07-10-2019   Off    45      37      Auto

每個參數（1、2、3 等）都可以具有浮點值或字符串值。 有什么方法可以融化數據，以便在參數的數據類型上分隔值列？ 當值是字符串時，參數的浮點列的值為None ，如果值是浮點數，則其字符串列的值為None 。

最后 dataframe 看起來像這樣

date        parameter   value   message
05-10-2019  1           20      None
05-10-2019  2           32      None
05-10-2019  3           43.5    None
05-10-2019  4           None    Auto
06-10-2019  1           19      None
06-10-2019  2           None    Off
06-10-2019  3           54.6    None
................
07-10-2019  4           None    Auto

Answer 1

第一步是DataFrame.melt ，然后通過to_numeric將值轉換為數字， errors='coerce'為非數字創建缺失值，因此可以使用DataFrame.assign用於帶有Series.where的非數字列：

df = df.melt('date', var_name='parameter')
s = pd.to_numeric(df['value'], errors='coerce')
df = df.assign(value = s, message = df['value'].where(s.isna()))
print (df)
          date parameter  value message
0   05-10-2019         1   20.0     NaN
1   06-10-2019         1   19.0     NaN
2   07-10-2019         1    NaN     Off
3   05-10-2019         2   32.0     NaN
4   06-10-2019         2    NaN     Off
5   07-10-2019         2   45.0     NaN
6   05-10-2019         3   43.5     NaN
7   06-10-2019         3   54.6     NaN
8   07-10-2019         3   37.0     NaN
9   05-10-2019         4    NaN    Auto
10  06-10-2019         4    NaN    Auto
11  07-10-2019         4    NaN    Auto

如果順序很重要：

df = df.melt('date', var_name='parameter').sort_values(['date','parameter'])
s = pd.to_numeric(df['value'], errors='coerce')
df = df.assign(value = s, message = df['value'].where(s.isna()))
print (df)
         date parameter  value message
0  2019-05-10         1   20.0     NaN
3  2019-05-10         2   32.0     NaN
6  2019-05-10         3   43.5     NaN
9  2019-05-10         4    NaN    Auto
1  2019-06-10         1   19.0     NaN
4  2019-06-10         2    NaN     Off
7  2019-06-10         3   54.6     NaN
10 2019-06-10         4    NaN    Auto
2  2019-07-10         1    NaN     Off
5  2019-07-10         2   45.0     NaN
8  2019-07-10         3   37.0     NaN
11 2019-07-10         4    NaN    Auto