Pandas2.2 DataFrame

Reshaping sorting transposing

方法	描述
DataFrame.droplevel(level[, axis])	用于**從 DataFrame 的索引（行或列）中刪除指定層級（level）**的方法
DataFrame.pivot(*, columns[, index, values])	用于重塑 DataFrame 的結構的方法
DataFrame.pivot_table([values, index, …])	用于**創建透視表（pivot table）**的函數
DataFrame.reorder_levels(order[, axis])	用于重新排序多級索引（MultiIndex）的層級順序的方法
DataFrame.sort_values(by, *[, axis, …])	用于按指定列或行的值對 DataFrame 進行排序的方法
DataFrame.sort_index(*[, axis, level, …])	用于按索引（行或列）對 DataFrame 進行排序的方法
DataFrame.nlargest(n, columns[, keep])	用于選取 DataFrame 中某列或多列的前 n 個最大值對應的行的方法
DataFrame.nsmallest(n, columns[, keep])	用于選取 DataFrame 中某列或多列的前 n 個最小值對應的行的方法
DataFrame.swaplevel([i, j, axis])	用于交換多級索引（MultiIndex）中兩個層級的位置的方法
DataFrame.stack([level, dropna, sort, …])	用于將 DataFrame 的列索引“壓入”行索引中，從而增加行數并減少列數的方法

pandas.DataFrame.stack()

pandas.DataFrame.stack(level=-1, dropna=<no_default>, sort=<no_default>, future_stack=False) 是一個用于將 DataFrame 的列索引“壓入”行索引中，從而增加行數并減少列數的方法。它常用于將寬格式數據轉換為長格式數據，是 unstack() 的反向操作。

---

📌 方法簽名

DataFrame.stack(level=-1, dropna=True, sort=False, future_stack=False)

---

🔧 參數說明

參數	類型	說明
level	int、str 或 list of int/str，默認 -1（最后一級）	要堆疊的列索引層級；默認只堆疊最內層
dropna	bool，默認 True	是否刪除結果中的 NaN 值
sort	bool，默認 False	是否對新生成的 MultiIndex 進行排序
future_stack	bool，默認 False	控制是否啟用未來行為（Pandas 2.0+ 中可能默認為 True）

---

? 返回值

• 返回一個新的 DataFrame 或 Series；
• 如果堆疊后只剩一列，則返回 Series；
• 否則返回 DataFrame；
• 原始數據不會被修改。

---

🧪 示例代碼及結果

示例 1：基本用法（單級列索引）

import pandas as pd# 創建一個普通 DataFrame
df = pd.DataFrame({'A': [1, 2],'B': [3, 4]
}, index=['row1', 'row2'])print("Original DataFrame:")
print(df)

輸出：

      A  B
row1  1  3
row2  2  4

# stack() 將列變為行索引
stacked = df.stack()
print("\nAfter stack():")
print(stacked)

輸出：

row1  A    1B    3
row2  A    2B    4
dtype: int64

結果是一個 Series，具有多級索引。

---

示例 2：使用 dropna=False 保留缺失值

df_with_nan = pd.DataFrame({'A': [1, None],'B': [None, 4]
}, index=['row1', 'row2'])print("DataFrame with NaN:")
print(df_with_nan)

輸出：

       A    B
row1  1.0  NaN
row2  NaN  4.0

# 不刪除 NaN
stacked_with_nan = df_with_nan.stack(dropna=False)
print("\nAfter stack(dropna=False):")
print(stacked_with_nan)

輸出：

row1  A    1.0B    NaN
row2  A    NaNB    4.0
dtype: float64

---

示例 3：堆疊多級列索引（MultiIndex）

# 創建一個多級列索引 DataFrame
arrays = [['X', 'X', 'Y', 'Y'],['a', 'b', 'a', 'b']
]
columns = pd.MultiIndex.from_arrays(arrays, names=('group', 'sub'))
df_multi_col = pd.DataFrame([[1, 2, 3, 4], [5, 6, 7, 8]], columns=columns)print("Original Multi-column DataFrame:")
print(df_multi_col)

輸出：

group          X         Y       
sub            a  b       a  b
0              1  2       3  4
1              5  6       7  8

# 默認堆疊最內層（sub）
stacked_inner = df_multi_col.stack()
print("\nAfter stack() (inner level):")
print(stacked_inner)

輸出：

   group  X  Y
0 sub         a     X  1  3b     X  2  4
1 sub         a     X  5  7b     X  6  8

注意：此時返回的是 DataFrame，因為堆疊后仍有多列。

---

示例 4：指定堆疊外層索引（level=‘group’）

# 堆疊外層索引（group）
stacked_outer = df_multi_col.stack(level='group')
print("\nAfter stack(level='group'):")
print(stacked_outer)

輸出：

sub           a  bgroup              
0 X           1  2Y           3  4
1 X           5  6Y           7  8

此時 group 被壓入行索引中。

---

示例 5：堆疊多個層級（level=[0, 1]）

# 堆疊所有層級
stacked_all_levels = df_multi_col.stack(level=[0, 1])
print("\nAfter stack(level=[0, 1]):")
print(stacked_all_levels)

輸出：

   group  sub  value
0 X   a        1X   b        2Y   a        3Y   b        4
1 X   a        5X   b        6Y   a        7Y   b        8

注意：在某些版本中會自動添加 value 列名。

---

示例 6：設置 sort=True 對結果排序

# 設置 sort=True
stacked_sorted = df_multi_col.stack(sort=True)
print("\nAfter stack(sort=True):")
print(stacked_sorted)

輸出（與前面類似，但索引已排序）：

   group  X  Y
0 sub         a     X  1  3b     X  2  4
1 sub         a     X  5  7b     X  6  8

索引按字典序排列。

---

🧠 應用場景

場景	說明
重塑數據結構	將寬格式轉為長格式，適合后續分析或繪圖
準備時間序列數據	如將不同時間點的數據合并為一列
配合 groupby 使用	長格式更適合分組統計
可視化準備	準備適合繪制箱線圖、折線圖等的數據格式

---

?? 注意事項

• stack() 默認只堆疊最內層列索引；
• 可通過 level 指定任意層級；
• dropna=True 會刪除含 NaN 的行；
• sort=True 會對新生成的 MultiIndex 排序；
• 堆疊后如果只剩一列，結果為 Series；
• 適用于行索引（axis=0），不支持列方向堆疊；
• future_stack=True 在 Pandas 2.0+ 中可能會成為默認行為。

---

? 總結對比

方法	是否推薦使用	說明
stack()	? 推薦	快速將列索引壓入行索引
stack(level='name')	? 推薦	使用層級名清晰直觀
stack(level=0)	? 推薦	快速按編號堆疊層級
stack(..., dropna=False)	? 推薦	保留缺失值
stack(..., sort=True)	? 推薦	自動排序索引

---

你可以根據實際需求選擇堆疊哪些層級、是否刪除缺失值、是否排序，從而靈活地將數據從“寬格式”轉換為“長格式”，便于后續分析和可視化。它是 Pandas 中非常重要的數據重塑工具之一。