1. 写在前面
今天总结一下pandas的四个函数， stack， unstack， melt和pivot， 这四个函数再处理DataFrame结构的时候， 非常常用， 也非常好用， 具体的就来看一下。
pd.stack()和pd.unstack()
这两个方法在数据分析的时候也是非常常用， 网上的文档说这是行转列，列转行的方法，但是具体转的时候，还是不知道转过来会是什么样子，或者有了需求也不会用，所以在这里，记录一下我对这两个方法的理解。
方法原型： 通过 ?pd.DataFrame.unstack/stack来查看具体的描述：
- pd.DataFrame.stack(self, level=-1, dropna=True)
- pd.DataFrame.unstack(self, level=-1, fill_value=None)
这里我们先构造一个简单的数据出来， 然后看一下这两个函数到底把DataFrame变成了什么结构。
# 先构造一个简单的数据出来
d1 = sales_data[0:1]
d2 = sales_data[20000:20001]
d3 = sales_data[25000:25001]
select = pd.concat([d1, d2, d3]).reset_index()
del select['index']
col = ['cat_id', 'state_id', 'd_1']
select = select[col]
select
构造出来的DataFrame结构长这样：
其实就是普通的数据了。 下面我们用unstack()看看效果：
再来看看stack()的效果：
下面解释一下到底是怎么变的， 先上图：
简单的来理解， 如果我们的数据是表格的形式，stack之后，会变成左边这种花括号的形式，而变的时候， 可以发现原来表格里面的列索引变成了行索引的子索引， 而如果表格数据直接unstack之后， 会发现原来表格里面的列索引变成了行索引的父索引。
子索引和父索引用花括号来理解简单一点，这个描述可能不准确，但是好理解，并且能迅速想出变换之后的样子。 上面的例子见下图：并且这样理解的话，对于多层索引，指定了level下的情况也非常简单：
这时候， 我们用stack()， 关键句：列索引变成了行索引的子索引
这里的level默认是由内而外，所以stack的时候，是把第二层的列索引当成了行索引的子索引。 由于列索引有两层，所以这里的level可以取0，表示外层列索引作为行索引的子索引， 1表示内层列索引作为行索引的子索引。不信，指定一下level=0试试。
当然还可以指定level为[0,1]，表示这俩列索引都当做行索引的子索引。
下面我们再看unstack()
是不是两级列索引都成了行索引的父索引？ 且默认就是两层都变过去。 如果指定level， 也不起作用了， 貌似把两个列索引看成整体了。但是如果是从花括号unstack的话，level就起作用了。 我们看看上面stack后的那个Series：如果使用unstack，就会逆回去。 但是根据指定的level不同，变成的数据不一样。一般我们用的时候，不是单纯的unstack或者stack，而是还要reset_index一下，变成DataFrame数据。
这种结构的变换有时候会很有用的。所以可以了解一下。
pd.melt()函数
函数原型：
pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name=‘value’, col_level=None)
参数解释：
- frame:要处理的数据集。
- id_vars:不需要被转换的列名。
- value_vars:需要转换的列名，如果剩下的列全部都要转换，就不用写了。
- var_name和value_name是自定义设置对应的列名。
- col_level :如果列是MultiIndex，则使用此级别。
这个方法，类似stack，也可以实现列转行。 但是会更加灵活， 可以指定那些列变或者不变，还可以给列重新命名，也不同reset_index，非常适合把宽数据变成长数据
pd.pivot()函数
这个就是根据列值重塑数据(生成一个“透视”表)。使用来自索引/列的惟一值来形成结果数据流的轴。
函数原型：
DataFrame.pivot(index=None, columns=None, values=None)[source]
比如：
