pandas数据表重排方法stack和unstack，长宽表转换方法pivot和melt

stack、unstack

stack方法和unstack方法都是对数据表重排的方法，unstack是stack方法的逆转。其中stack方法不能对series进行操作，而unstack可以

下面看一下这两个方法都是怎么对数据表格进行重排的。
实验数据：

data = {'date': ['2018-08-01', '2018-08-02', '2018-08-03', '2018-08-01', '2018-08-03', '2018-08-03',
                 '2018-08-01', '2018-08-02'],
        'variable': ['A','A','A','B','B','C','C','C'],
        'value': [3.0 ,4.0 ,6.0 ,2.0 ,8.0 ,4.0 ,10.0 ,1.0 ]}

df = pd.DataFrame(data=data, columns=['date', 'variable', 'value'])
print(df)

df.stack()

可以看到，使用stack方法后，原本数据表的索引变成了series的新的外层索引，原本的列名变成了二级索引，
它的重排方法依据：

旧表的索引1+列名+值
…
列名+值
…
旧表的索引n+列名+值
…
列名+值
…

unstack方法可以逆转stack的操作，也有自己的重排方法

df.unstack()

df.unstack().unstack()

如果原表只有一级索引，unstack就将每一个列都分出来，然后全部纵向叠加在一起，每一个列名作为新的一级索引，原本的索引作为二级索引
如果原表有二级索引，那么unstack就会将二级索引作为新的列名，一级索引作为新的索引

pivot、melt

• pivot的主要参数

  index: 用于制作新框架索引的标签

  columns: 用于制作新框架列的标签

  扫描二维码关注公众号，回复： 9996939 查看本文章

  values: 用于填充新框架值的值

df2 = df.pivot(index='date',columns='variable',values='value')
# 将date作为新的索引，将variable的值作为新的列，value的值对应date和variable的值填充新表
df2

pivot将长表转换为宽表，value没有的值以缺失值填充。
但是pivot的index和columns只能接受一个列作为参数，所以如果有需要可以用pivot_table代替。

melt的作用于pivot相反，它的作用是将宽表转换为长表

• melt的主要参数

  id_vars: 标识列

  value_vars: 需要被整合的列

  var_name:value_vars列的列名

  value_name: value列的名字

  col_level: 列索引的级别（如果列是多重索引的话需要）
  

# 以A这一列作为标识列进行转换，将宽表转换为长表
df2.melt(id_vars=['A'])

原本跟A（标识列）处于同一行的值出现在value列，并且对应的variable列的值“B”是原本value的列名

# 重置df2索引值
# 将date从索引位置取消，变成正常的一列
df2.reset_index(inplace=True)
df2

这里我们使用melt将上面的数据表转换为一个长表

# 以date日期作为标识列，将上面的宽表转换为长表
# A，B，C三列作为变量列
# 可以顺便设置变量列和value列的列名
df3 = df2.melt(id_vars='date', value_vars=['A','B','C'], var_name='eng_name', value_name='score')
df3