Корректировка столбцов в pivot tables pandas

#python #pandas #dataframe #pivot

Коллеги, помогите подкорректировать столбцы в датафрейме:

Исходный датафрейм:

Регистрационный номер  Год  Наименование      Значение
1034700581190         2014 Основные средства 244710.0
1034700581190         2014 Активы            234987645.0
1034700581190         2014 Запасы            3487569


Я создал pivot table чтобы видоизменить табличное представление 

spark_fin_rows.pivot_table(index=['Регистрационный номер', 'Год'], columns=['Наименование'],
values=['Значение'], fill_value=0).reset_index()


Я получил следующий датафрейм

Регистрационный номер  Год    Значение
                               Основные средства Активы      Запасы   
    1034700581190      2014    244710.0          234987645.0   3487569


Как сделать так, чтобы убрать название столбца "Значение", а Основные средства Активы,
Запасы остались.
    

Ответы

Ответ 1

Пример:

In [88]: pvt
Out[88]:
             Регистрационный номер   Год   Значение
Наименование                                 Активы   Запасы Основные средства
0                    1034700581190  2014  234987645  3487569            244710

In [89]: res = pvt.rename(columns={"Значение":""})

In [90]: res.columns = [t[0] if t[0] else t[1] for t in res.columns]

In [91]: res
Out[91]:
   Регистрационный номер   Год     Активы   Запасы  Основные средства
0          1034700581190  2014  234987645  3487569             244710




UPDATE:  использовал ваш raw_data.xls:

In [130]: df = pd.read_excel(r"D:\download\raw_data.xls", index_col=0)

In [131]: pvt = df.pivot_table(index=['Регистрационный номер', 'Год'], columns=['Наименование'],
values=['Значение'], fill_value=0).reset_index()

In [132]: res = pvt.rename(columns={"Значение":""})

In [133]: res.columns = [t[0] if t[0] else t[1] for t in res.columns]

In [134]: res
Out[134]:
    Регистрационный номер   Год  Активы  всего  Валовая прибыль (убыток)  Внеоборотные
активы  ...  \
0           1027807593549  2014          16666                         0        
       16372  ...
1           1027807593549  2015          20908                         0        
       20498  ...
2           1027807593549  2016          24526                         0        
       23637  ...
3           1027807593549  2017          71643                         0        
       68818  ...
4           1034700581190  2014         294590                     74698        
      251908  ...
5           1034700581190  2015         284245                    100225        
      233813  ...
6           1034700581190  2016         223843                    110387        
      222945  ...
..                    ...   ...            ...                       ...        
         ...  ...