今天就跟大家聊聊有关Python数据分析中宽表是如何重构为长表，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名与空间、网络空间、营销软件、网站建设、平谷网站维护、网站推广。
今天，先来了解Pandas封装的顶层函数部分，其一：melt()函数，它位于Pandas包的最顶层，结构如下：
Pandas
|
melt()
melt()函数的原型如下：
frame为list型参数，后面都为position型参数。前者为通常意义的*args, 后者为 **kwargs.
frame不难猜测为Pandas的二维数组结构DataFrame，其他参数含义通过如下几个例子观察。
构造df 结构如下：
执行如下操作：
pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
结果如下：
观察
变化后的df行数变多了，A列名称保持不变;
第二列的column名称变为variable，取值变为 B 和 C（正好等于melt函数的第三个参数 value_vars）；
第三列名为value，取值为原df的B和C列的值。
再验证
pd.melt(df2, id_vars=['a'], value_vars=['b', 'c', 'd'])
变化后的结构行数明显变更多了，由9行组成，但是列变少了，只有3列。
这里面引出2个概念：
宽表( wide format) ：指列数比较多
长表( long format) ：行数比较多
回头核对官方给定melt的功能和参数
注意用词：unpivot 变化 DataFrame从宽格式到长格式，选择性地保留标示列，其实就是指 id_vars参数。
以上为两个最主要的参数，第二个value_vars指需要upivot的列。
思考
melt()函数的作用，它能将宽表变化为长表。在做特征分析列数较多，即为宽表时，我们不妨选择某些列为unpivot列，从而降低维度，增加行数据实现对数据的重构。
官方解释melt()中变化这个词使用了unpivot，因此大胆猜测它的逆操作为 pivot()。
看完上述内容，你们对Python数据分析中宽表是如何重构为长表有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注创新互联行业资讯频道，感谢大家的支持。
