Sé que las columnas de tipo de object hacen que los datos sean difíciles de convertir con las funciones de pandas. Cuando recibo datos como este, lo primero que me vino a la mente fue "aplanar" o desorganizar las columnas.

Estoy usando funciones de pandas y Python para este tipo de pregunta. Si le preocupa la velocidad de las soluciones anteriores, consulte la respuesta del usuario 3483203 , ya que usa numpy y la mayoría de las veces numpy es más rápido. Recomiendo Cython o numba si la velocidad importa.

Método 0 [pandas >= 0.25] A partir de pandas 0.25 , si solo necesita explotar una columna, puede usar la función pandas.DataFrame.explode :

 df.explode('B') AB 0 1 1 1 1 2 0 2 1 1 2 2

Dado un marco de datos con una list vacía o un NaN en la columna. Una lista vacía no causará un problema, pero un NaN deberá llenarse con una list

 df = pd.DataFrame({'A': [1, 2, 3, 4],'B': [[1, 2], [1, 2], [], np.nan]}) df.B = df.B.fillna({i: [] for i in df.index}) # replace NaN with [] df.explode('B') AB 0 1 1 0 1 2 1 2 1 1 2 2 2 3 NaN 3 4 NaN

Aplicar el método 1 apply + pd.Series (fácil de entender pero no recomendado en términos de rendimiento).

 df.set_index('A').B.apply(pd.Series).stack().reset_index(level=0).rename(columns={0:'B'}) Out[463]: AB 0 1 1 1 1 2 0 2 1 1 2 2

Método 2 Usando repeat con el constructor de DataFrame , vuelva a crear su marco de datos (bueno en rendimiento, no bueno en múltiples columnas)

 df=pd.DataFrame({'A':df.A.repeat(df.B.str.len()),'B':np.concatenate(df.B.values)}) df Out[465]: AB 0 1 1 0 1 2 1 2 1 1 2 2

Método 2.1, por ejemplo, además de A, tenemos A.1 ..... An Si todavía usamos el método ( Método 2 ) anterior, es difícil para nosotros volver a crear las columnas una por una.

Solución: join o merge con el index después de 'anular' las columnas individuales

 s=pd.DataFrame({'B':np.concatenate(df.B.values)},index=df.index.repeat(df.B.str.len())) s.join(df.drop('B',1),how='left') Out[477]: BA 0 1 1 0 2 1 1 1 2 1 2 2

Si necesita el orden de las columnas exactamente igual que antes, agregue reindex al final.

 s.join(df.drop('B',1),how='left').reindex(columns=df.columns)

Método 3 recrear la list

 pd.DataFrame([[x] + [z] for x, y in df.values for z in y],columns=df.columns) Out[488]: AB 0 1 1 1 1 2 2 2 1 3 2 2

Si hay más de dos columnas, utilice

 s=pd.DataFrame([[x] + [z] for x, y in zip(df.index,df.B) for z in y]) s.merge(df,left_on=0,right_index=True) Out[491]: 0 1 AB 0 0 1 1 [1, 2] 1 0 2 1 [1, 2] 2 1 1 2 [1, 2] 3 1 2 2 [1, 2]

Método 4 usando reindex o loc

 df.reindex(df.index.repeat(df.B.str.len())).assign(B=np.concatenate(df.B.values)) Out[554]: AB 0 1 1 0 1 2 1 2 1 1 2 2 #df.loc[df.index.repeat(df.B.str.len())].assign(B=np.concatenate(df.B.values))

Método 5 cuando la lista solo contiene valores únicos:

 df=pd.DataFrame({'A':[1,2],'B':[[1,2],[3,4]]}) from collections import ChainMap d = dict(ChainMap(*map(dict.fromkeys, df['B'], df['A']))) pd.DataFrame(list(d.items()),columns=df.columns[::-1]) Out[574]: BA 0 1 1 1 2 1 2 3 2 3 4 2

Método 6 usando numpy para alto rendimiento:

 newvalues=np.dstack((np.repeat(df.A.values,list(map(len,df.B.values))),np.concatenate(df.B.values))) pd.DataFrame(data=newvalues[0],columns=df.columns) AB 0 1 1 1 1 2 2 2 1 3 2 2

Método 7 usando la función base cycle y chain de itertools : solución de Python pura solo por diversión

 from itertools import cycle,chain l=df.values.tolist() l1=[list(zip([x[0]], cycle(x[1])) if len([x[0]]) > len(x[1]) else list(zip(cycle([x[0]]), x[1]))) for x in l] pd.DataFrame(list(chain.from_iterable(l1)),columns=df.columns) AB 0 1 1 1 1 2 2 2 1 3 2 2

Generalizando a varias columnas

 df=pd.DataFrame({'A':[1,2],'B':[[1,2],[3,4]],'C':[[1,2],[3,4]]}) df Out[592]: ABC 0 1 [1, 2] [1, 2] 1 2 [3, 4] [3, 4]

Función de autodefensa:

 def unnesting(df, explode): idx = df.index.repeat(df[explode[0]].str.len()) df1 = pd.concat([ pd.DataFrame({x: np.concatenate(df[x].values)}) for x in explode], axis=1) df1.index = idx return df1.join(df.drop(explode, 1), how='left') unnesting(df,['B','C']) Out[609]: BCA 0 1 1 1 0 2 2 1 1 3 3 2 1 4 4 2

Desanidado por columnas

Todo el método anterior está hablando de la anidación vertical y la explosión. Si necesita gastar la lista horizontal , verifique con el constructor pd.DataFrame

 df.join(pd.DataFrame(df.B.tolist(),index=df.index).add_prefix('B_')) Out[33]: ABC B_0 B_1 0 1 [1, 2] [1, 2] 1 2 1 2 [3, 4] [3, 4] 3 4

Función actualizada

 def unnesting(df, explode, axis): if axis==1: idx = df.index.repeat(df[explode[0]].str.len()) df1 = pd.concat([ pd.DataFrame({x: np.concatenate(df[x].values)}) for x in explode], axis=1) df1.index = idx return df1.join(df.drop(explode, 1), how='left') else : df1 = pd.concat([ pd.DataFrame(df[x].tolist(), index=df.index).add_prefix(x) for x in explode], axis=1) return df1.join(df.drop(explode, 1), how='left')

Salida de prueba

 unnesting(df, ['B','C'], axis=0) Out[36]: B0 B1 C0 C1 A 0 1 2 1 2 1 1 3 4 3 4 2

Actualización 2021-02-17 con función de explosión original

 def unnesting(df, explode, axis): if axis==1: df1 = pd.concat([df[x].explode() for x in explode], axis=1) return df1.join(df.drop(explode, 1), how='left') else : df1 = pd.concat([ pd.DataFrame(df[x].tolist(), index=df.index).add_prefix(x) for x in explode], axis=1) return df1.join(df.drop(explode, 1), how='left')

Opción 1

Si todas las sublistas en la otra columna tienen la misma longitud, numpy puede ser una opción eficiente aquí:

 vals = np.array(df.B.values.tolist()) a = np.repeat(df.A, vals.shape[1]) pd.DataFrame(np.column_stack((a, vals.ravel())), columns=df.columns)

 AB 0 1 1 1 1 2 2 2 1 3 2 2

opcion 2

Si las sublistas tienen una longitud diferente, necesita un paso adicional:

 vals = df.B.values.tolist() rs = [len(r) for r in vals] a = np.repeat(df.A, rs) pd.DataFrame(np.column_stack((a, np.concatenate(vals))), columns=df.columns)

 AB 0 1 1 1 1 2 2 2 1 3 2 2

Opción 3

Traté de generalizar esto para trabajar para aplanar N columnas y mosaicos M columnas, trabajaré más adelante para hacerlo más eficiente:

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

 ABCD 0 1 [1, 2] [1, 2, 3] A 1 2 [1, 2, 3] [1, 2] B 2 3 [1] [1, 2] C

 def unnest(df, tile, explode): vals = df[explode].sum(1) rs = [len(r) for r in vals] a = np.repeat(df[tile].values, rs, axis=0) b = np.concatenate(vals.values) d = np.column_stack((a, b)) return pd.DataFrame(d, columns = tile + ['_'.join(explode)]) unnest(df, ['A', 'D'], ['B', 'C'])

 AD B_C 0 1 A 1 1 1 A 2 2 1 A 1 3 1 A 2 4 1 A 3 5 2 B 1 6 2 B 2 7 2 B 3 8 2 B 1 9 2 B 2 10 3 C 1 11 3 C 1 12 3 C 2

Funciones

 def wen1(df): return df.set_index('A').B.apply(pd.Series).stack().reset_index(level=0).rename(columns={0: 'B'}) def wen2(df): return pd.DataFrame({'A':df.A.repeat(df.B.str.len()),'B':np.concatenate(df.B.values)}) def wen3(df): s = pd.DataFrame({'B': np.concatenate(df.B.values)}, index=df.index.repeat(df.B.str.len())) return s.join(df.drop('B', 1), how='left') def wen4(df): return pd.DataFrame([[x] + [z] for x, y in df.values for z in y],columns=df.columns) def chris1(df): vals = np.array(df.B.values.tolist()) a = np.repeat(df.A, vals.shape[1]) return pd.DataFrame(np.column_stack((a, vals.ravel())), columns=df.columns) def chris2(df): vals = df.B.values.tolist() rs = [len(r) for r in vals] a = np.repeat(df.A.values, rs) return pd.DataFrame(np.column_stack((a, np.concatenate(vals))), columns=df.columns)

Horarios

 import pandas as pd import matplotlib.pyplot as plt import numpy as np from timeit import timeit res = pd.DataFrame( index=['wen1', 'wen2', 'wen3', 'wen4', 'chris1', 'chris2'], columns=[10, 50, 100, 500, 1000, 5000, 10000], dtype=float ) for f in res.index: for c in res.columns: df = pd.DataFrame({'A': [1, 2], 'B': [[1, 2], [1, 2]]}) df = pd.concat([df]*c) stmt = '{}(df)'.format(f) setp = 'from __main__ import df, {}'.format(f) res.at[f, c] = timeit(stmt, setp, number=50) ax = res.div(res.min()).T.plot(loglog=True) ax.set_xlabel("N") ax.set_ylabel("time (relative)")

Rendimiento

Explotar una columna similar a una lista se ha simplificado significativamente en pandas 0.25 con la adición del método explode() :

 df = pd.DataFrame({'A': [1, 2], 'B': [[1, 2], [1, 2]]}) df.explode('B')

Afuera:

 AB 0 1 1 0 1 2 1 2 1 1 2 2