Pandas 基础 (12) - Stack 和 Unstack

这节的主题是 stack 和 unstack, 我目前还不知道专业领域是怎么翻译的，我自己理解的意思就是 "组成堆" 和 "解除堆". 其实，也是对数据格式的一种转变方式，单从字面上可能比较难理解，所以给大家下面两张图来理解一下:

上图中，标绿色的部分，代表一个对应关系，就是列的级别转为行级别.
下面来看下具体实现。首先引入文件，通过原表，我们可以看到有两行表头，所以这里要多加个参数 header=[0,1]:

df = pd.read_excel('/Users/rachel/Sites/pandas/py/pandas/12_stack/stocks.xlsx', header=[0,1])Copy

输出:

用 stack () 方法改变一下格式，看会是什么效果:

df_stacked = df.stack()
df_stackedCopy

从输出可以看到，原来的数据结构是有两行表头，经过 stack 之后，就变成一行了，也就是 Facebook Google Microsoft 这一行，从原来的列名，变成了索引:

那我们现在再 unstack 看看:

df_stacked.unstack()Copy

输出:

发现，unstack 之后，整个数据结构又变回去了.

那我们现在再来重新 stack 一下，并且加个参数 level=0, 也就是将第一行的表头堆叠成索引列:

df.stack(level=0)Copy

输出:

下面再来看一个更复杂点的例子，这个表格中有三行表头:

df2 = pd.read_excel('/Users/rachel/Sites/pandas/py/pandas/12_stack/stocks_3_levels.xlsx', header=[0,1,2])Copy

输出:

首先 stack 一下:

df2.stack()Copy

输出，我们看到最下面一行表头被堆叠到索引列了:

再试一下将 level 参数设为 0:

df2.stack(level=0)Copy

发现，第一行表头被 stack 了:

再设置 level=1:

df2.stack(level=1)Copy

输出，这次是第二行表头被 stack 了:

再试下设置 level=2:

df2.stack(level=2)Copy

输出，发现是第三行表头被 stack 了:

综上，可以总结，stack 的作用就是可以将横向的表头 (列名) 转成纵向的索引列展示，对于多行表头而言，具体要转换哪一行取决于 level 参数，如果不指定，则默认转换最下面一行表头.

本作品采用《CC 协议》，转载必须注明作者和本文链接