I want to do a specific action in Python. Indeed, I have a CSV file where many data are specified into columns. What I want is to change them into rows. Nevertheless, I need to respect specific rules.
Here is the dataset format :
[... , 'N°Panneau', 'Sexe', 'Prénom_Nom_Cand1', 'Voix', '% Voix/Ins', '% Voix/Exp',
'col_28', 'col_29', 'Prénom_Nom_Cand2', 'col_32', 'col_33', 'col_34',
'col_35', 'col_36', 'Prénom_Nom_Cand3', 'col_39', 'col_40', 'col_41',
'col_42', 'col_43', 'Prénom_Nom_Cand4', 'col_46', 'col_47', 'col_48',
'col_49', 'col_50', 'Prénom_Nom_Cand5', 'col_53', 'col_54', 'col_55',
'col_56', 'col_57', 'Prénom_Nom_Cand6', 'col_60', 'col_61', 'col_62',
'col_63', 'col_64', 'Prénom_Nom_Cand7', 'col_67', 'col_68', 'col_69',
'col_70', 'col_71', 'Prénom_Nom_Cand8', 'col_74', 'col_75', 'col_76',
'col_77', 'col_78', 'Prénom_Nom_Cand9', 'col_81', 'col_82', 'col_83',
'col_84', 'col_85', 'Prénom_Nom_Cand10','col_88','col_89', 'col_90',
'col_91', 'col_92', 'Prénom_Nom_Cand11','col_95','col_96', 'col_97',
'col_98', 'col_99', 'Prénom_Nom_Cand12', 'col_102','col_103', 'col_104']
Where 'N°Panneau', 'Sexe', 'Prénom_Nom_Cand1', 'Voix', '% Voix/Ins', '% Voix/Exp' is the same columns as 'col_{number}', 'col_{number}', 'Prénom_Nom_Cand{number}', 'col_{number}', 'col_{number}', 'col_{number}'
I want to just have the columns 'N°Panneau', 'Sexe', 'Prénom_Nom_Cand1', 'Voix', '% Voix/Ins', '% Voix/Exp' containing all the col_... values etc.
How can I do that(get the columns as rows) like specified above?
Assuming df is your input wide-format DataFrame, you can use :
out = (
pd.DataFrame(df.to_numpy().reshape(-1, 6), columns= df.columns[:6])
)
Output :
print(out)
N°Panneau Sexe Prénom_Nom_Cand1 Voix % Voix/Ins % Voix/Exp
0 5 8 9 5 0 0
1 1 7 6 9 2 4
2 5 2 4 2 4 7
.. ... ... ... ... ... ...
57 9 7 0 5 2 2
58 8 5 0 5 9 8
59 6 6 0 4 7 3
[60 rows x 6 columns]
Input used :
cols = [
'N°Panneau', 'Sexe', 'Prénom_Nom_Cand1', 'Voix', '% Voix/Ins', '% Voix/Exp',
'col_28', 'col_29', 'Prénom_Nom_Cand2', 'col_32', 'col_33', 'col_34',
'col_35', 'col_36', 'Prénom_Nom_Cand3', 'col_39', 'col_40', 'col_41',
...
]
np.random.seed(1)
df = pd.DataFrame(np.random.randint(0, 10, (5, len(cols))), columns=cols)
N°Panneau Sexe Prénom_Nom_Cand1 ... col_102 col_103 col_104
0 5 8 9 ... 6 8 0
1 2 7 7 ... 5 4 0
2 7 8 9 ... 3 8 3
3 5 6 7 ... 9 1 2
4 0 4 7 ... 4 7 3
[5 rows x 72 columns]
Update :
gh_url = "https://raw.githubusercontent.com/kivircik55/dataset/main/" \
"resultats_par_niveau_burvot_t1_france_entiere_prepared_joined" \
"_prepared%20(1).csv"
df = pd.read_csv(gh_url)
idx = df.columns.get_loc("Prénom_Nom_Cand1")-2
wide_blocks = df.iloc[:, idx:]
long_blocks = pd.DataFrame(
wide_blocks.to_numpy().reshape(-1, 6),
columns= wide_blocks.columns[:6]
)
out = (
df.iloc[:, :idx].join(
long_blocks.set_index(
np.arange(len(df)).repeat(len(long_blocks.columns)*2)))
)
Output :
print(out)
Année Code du département Libellé du département ... Voix % Voix/Ins % Voix/Exp
0 2022 24 Dordogne ... 2 0.23 0.39
0 2022 24 Dordogne ... 13 1.51 2.51
0 2022 24 Dordogne ... 139 16.13 26.89
.. ... ... ... ... ... ... ...
43 2022 24 Dordogne ... 39 4.23 5.86
43 2022 24 Dordogne ... 4 0.43 0.6
43 2022 24 Dordogne ... 16 1.74 2.4
[528 rows x 29 columns]
Collected from the Internet
Please contact [email protected] to delete if infringement.
Comments