Stacking in Pandas Datenrahmen basierend auf Spaltennamen

Question

Ich habe folgende Pandas Datenrahmen:

ID Year Jan_salary Jan_days Feb_salary Feb_days Mar_salary Mar_days 
    1 2016  4500  22   4200  18  4700  24 
    2 2016  3800  23   3600  19  4400  23 
    3 2016  5500  21   5200  17  5300  23 

ich diesen Datenrahmen zu folgenden Datenrahmen umwandeln möchten:

ID  Year  month salary days 
1  2016  01  4500  22 
1  2016  02  4200  18 
1  2016  03  4700  24 
2  2016  01  3800  23 
2  2016  02  3600  19 
2  2016  03  4400  23 
3  2016  01  5500  21 
3  2016  02  5200  17 
3  2016  03  5300  23 

habe ich versucht, den Einsatz pandas.DataFrame.stack konnte aber nicht erhalten das erwartete Ergebnis. Ich benutze Python 2.7 Bitte führen Sie mich um diesen Pandas Datenrahmen umzuformen. Danke.

Answer 1

df = df.set_index(['ID', 'Year']) 
df.columns = df.columns.str.split('_', expand=True).rename('month', level=0) 
df = df.stack(0).reset_index() 
md = dict(Jan='01', Feb='02', Mar='03') 
df.month = df.month.map(md) 


df[['ID', 'Year', 'month', 'salary', 'days']] 

Answer 2

Ich liebe pd.melt so dass das, was ich in diesem langatmigen Ansatz:

ldf = pd.melt(df,id_vars=['ID','Year'], 
       value_vars=['Jan_salary','Feb_salary','Mar_salary'], 
       var_name='month',value_name='salary') 
rdf = pd.melt(df,id_vars=['ID','Year'], 
       value_vars=['Jan_days','Feb_days','Mar_days'], 
       value_name='days') 
rdf.drop(['ID','Year','variable'],inplace=True,axis=1) 
cdf = pd.concat([ldf,rdf],axis=1) 
cdf['month'] = cdf['month'].str.replace('_salary','') 
import calendar 
def mapper(month_abbr): 
    # from http://stackoverflow.com/a/3418092/42346 
    d = {v: str(k).zfill(2) for k,v in enumerate(calendar.month_abbr)} 
    return d[month_abbr] 
cdf['month'] = cdf['month'].apply(mapper) 

Ergebnis:

>>> cdf 
    ID Year month salary days 
0 1 2016 01 4500 22 
1 2 2016 01 3800 23 
2 3 2016 01 5500 21 
3 1 2016 02 4200 18 
4 2 2016 02 3600 19 
5 3 2016 02 5200 17 
6 1 2016 03 4700 24 
7 2 2016 03 4400 23 
8 3 2016 03 5300 23