---

重塑層次化索引

Pandas中重塑層次化索引的操作主要是stack()方法和unstack()方法，前者是將數據的列“旋轉”成行，后者是將數據的行“旋轉”成列。

stack(self, level=-1, dropna=True)

上述方法中部分參數表示的含義如下：

1. level：表示操作內層索引。若設為0，表示操作外層索引，默認為-1
2. dropna：表示是否將旋轉后的缺失值刪除，若設為True，則表示自動過濾缺失值，設置False則相反

unstack(self, level=-1, fill_value=None)

上述方法中部分參數表示的含義如下：

1. level：表示操作內層索引。若設為0，表示操作外層索引，默認為-1
2. fill_value：若產生了缺失值，則可以設置這個參數用來替換NaN

對于單層索引的DataFrame類對象

stack()方法

測試對象：

df1:A   B
a  A0  B0
b  A1  B1

代碼：

import numpy as npdf1 = pd.DataFrame({'A': ['A0', 'A1'],'B': ['B0', 'B1']},index=['a', 'b'])
df2 = pd.DataFrame(np.arange(8).reshape(2, 4),columns=[['A', 'A', 'B', 'B'],['A0', 'A1', 'B0', 'B1']])
result = df1.stack()
print("df1.stack():\n", result)

輸出結果：

df1.stack():a  A    A0B    B0
b  A    A1B    B1
dtype: object

從輸出結果看出，result對象具有兩層行索引。

具有兩層行索引而不再具有列索引的對象到底是DataFrame對象還是Series對象呢？

我們使用type()函數來查看result的類型，與df1做對比

type(df1):<class 'pandas.core.frame.DataFrame'>
type(result):<class 'pandas.core.series.Series'>

從輸出結果可以看出，DataFrame對象已經被轉換成了一個Series對象。

---

unstack()方法

嘗試將result對象重塑成df1，先將result.unstack()的結果保存在ans對象里

代碼：

ans = result.unstack()
print("ans:\n", ans)

輸出結果：

ans:A   B
a  A0  B0
b  A1  B1

使用type()函數查看ans的類型，然后將其與df1作比較

代碼：

print("type(ans):\n", type(ans))
print("ans == df1?", ans == df1)

輸出結果：

type(ans):<class 'pandas.core.frame.DataFrame'>
ans == df1?A     B
a  True  True
b  True  True

由上可知，unstack()方法是stack()方法的逆操作，可以將重塑的Series對象“恢復原樣”，轉變成原來的DataFrame對象。

---

對于多層索引的DataFrame類對象

測試對象：

df2:A     B   A0 A1 A0 A1
0  0  1  2  3
1  4  5  6  7

辨析操作內層索引與外層索引的區別

代碼：

df2 = pd.DataFrame(np.arange(8).reshape(2, 4),columns=[['A', 'A', 'B', 'B'],['A0', 'A1', 'A0', 'A1']])
result1 = df2.stack()  # 操作內層索引
result2 = df2.stack(level=0)  # 操作外層索引
print("df2.stack():\n", result1)
print("df2.stack(level=0):\n", result2)

輸出結果：

df2.stack():A  B
0 A0  0  2A1  1  3
1 A0  4  6A1  5  7
df2.stack(level=0):A0  A1
0 A   0   1B   2   3
1 A   4   5B   6   7

---

查看多層索引對象轉換后的類型

代碼：

print("type(result1):\n", type(result1))
print("type(result2):\n", type(result2))

輸出結果：

type(result1):<class 'pandas.core.frame.DataFrame'>
type(result2):<class 'pandas.core.frame.DataFrame'>

對于多層索引來講，即使將外層行（列）索引或者內層行（）列索引轉換為列（行）索引，也不過是多層變單層，只要行和列兩個方向仍然同時至少有單層索引存在，DataFrmae對象轉換后就仍為DataFrame對象。

---

軸向旋轉——pivot()方法

pivot()會根據給定的行索引或列索引重新組織一個DataFrame對象

pivot(self, index=None, columns=None, values=None)

上述方法中部分參數表示的含義如下：

1. index：用于創建新DataFrame對象的行索引 。如果未設置，則使用原DataFrame對象的索引。
2. columns：用于創建新DataFrame對象的列索引 。如果未設置，則使用原DataFrame對象的索引。
3. values：用于填充新DataFrame對象中的值。

---

代碼：

df3 = pd.DataFrame({'A': ['A0', 'A0', 'A1', 'A1'],'B': ['B0', 'B1', 'B0', 'B1'],'C': ['C0', 'C1', 'C2', 'C3']})
print("df3:\n", df3)
print("df3.pivot(index='A', columns='B', values='C'):\n", 
df3.pivot(index='A', columns='B', values='C'))

輸出結果：

df3:A   B   C
0  A0  B0  C0
1  A0  B1  C1
2  A1  B0  C2
3  A1  B1  C3
df3.pivot(index='A', columns='B', values='C'):B   B0  B1
A         
A0  C0  C1
A1  C2  C3