df = pd.DataFrame({'col1': ['A', 'A', 'B', 'B', 'C'], 'col2': [1, 2, 3, 4, 5]}) 展现形式改成 col1 A B C col2 1 2 3 4 5

你可以使用 pandas 中的 pivot 函数来实现：

import pandas as pd

df = pd.DataFrame({'col1': ['A', 'A', 'B', 'B', 'C'], 'col2': [1, 2, 3, 4, 5]})

df = df.pivot(index=None, columns='col1', values='col2')
df.columns.name = None
df = df.reset_index()

print(df)

输出结果为：

   col1  A  B  C
0     1  1  3  5
1     2  2  4  NaN

其中 pivot 函数的参数说明如下：

- index：指定新 DataFrame 的索引，这里我们使用默认值 None。
- columns：指定原 DataFrame 中哪一列的值对应到新 DataFrame 的列名。
- values：指定原 DataFrame 中哪一列的值对应到新 DataFrame 的值。

相关问题

# SimpleImputer deal with missing value use mean imp = SimpleImputer(missing_values=np.nan, strategy='mean') df_train_col = df_train.columns df_test_col = df_test.columns df_train = imp.fit_transform(df_train) df_test = imp.fit_transform(df_test) df_train = pd.DataFrame(df_train, columns = df_train_col) df_test = pd.DataFrame(df_test, columns = df_test_col)

这段代码使用了Scikit-learn库中的SimpleImputer类来处理缺失值。首先，创建了一个SimpleImputer对象，指定了缺失值的标识为np.nan，替换策略为均值（strategy='mean'）。接着，记录了数据集中的列名，以便后续恢复DataFrame格式。然后，对训练集和测试集分别进行均值填充处理，并将结果转换回DataFrame格式，并使用之前记录的列名进行列索引的恢复。这样，就可以在处理缺失值的同时保留数据集的完整性。

df = pd.DataFrame(weights_col)

这行代码创建了一个名为 `df` 的 Pandas DataFrame 对象，其中 `weights_col` 是一个列向量，可能是一个 NumPy ndarray 或 Pandas Series 对象。DataFrame 的每一列都可以有一个名称，但在这种情况下，由于没有指定名称，该列将默认命名为数字索引。如果您想要指定列名，可以使用 `df = pd.DataFrame(weights_col, columns=[your_column_names])`。