pandas.DataFrame的pivot()和unstack()实现行转列

当我们在pandas中处理表格数据时，经常需要进行行列互换的操作，以更方便地对数据进行分析和处理。在这种情况下，可以使用pivot方法和unstack方法对数据进行行列转换。

1. pivot方法

pivot方法可以将某一列作为索引，将另一列作为列名，并将第三列的值填充到相应的单元格中。下面是使用pivot方法进行行列转换的示例：

import pandas as pd
data = [['John', 'Math', 85], ['Tom', 'Math', 75], ['Kate', 'Math', 90], ['John', 'English', 70], ['Tom', 'English', 80], ['Kate', 'English', 95]]
df = pd.DataFrame(data, columns=['Name', 'Subject', 'Score'])
print('原始数据：')
print(df)
print('*' * 50)
table = pd.pivot(data=df, index='Name', columns='Subject', values='Score')
print('转换后的数据：')
print(table)

执行结果如下：

原始数据：
   Name  Subject  Score
0  John     Math     85
1   Tom     Math     75
2  Kate     Math     90
3  John  English     70
4   Tom  English     80
5  Kate  English     95
**************************************************
转换后的数据：
Subject  English  Math
Name
John           70    85
Kate           95    90
Tom            80    75

在上面的示例中，我们首先创建了一个包含学生姓名、科目和成绩的数据表，然后使用pivot方法将原始数据中的姓名列作为索引，科目列作为列名，成绩列作为填充到相应单元格中的值，最终得到了一份以学生为行、科目为列、成绩为值的新表格。

需要注意的是，在pivot方法中，index参数指定了要作为新表格的行索引的列，columns参数指定了要作为新表格的列索引的列，而values参数则指定了要填充到新表格中的值的列。

2. unstack方法

unstack方法可以将表格中一个层次的行或列索引转换为列或行。下面是使用unstack方法进行行列转换的示例：

import pandas as pd

df = pd.read_csv('data.csv', index_col=[0,1])

print('原始数据：')
print(df)
print('*' * 50)

table = df.unstack(level=-1)
print('转换后的数据：')
print(table)

执行结果如下：

原始数据：
                   Value1    Value2
TimeStamp Person
2021-01-01 John        10        20
           Kate        15        25
2021-01-02 John        12        22
           Kate        18        28
**************************************************
转换后的数据：
         Value1       Value2
Person     John Kate  John Kate
TimeStamp
2021-01-01    10   15    20   25
2021-01-02    12   18    22   28

在上面的示例中，我们首先读入包含时间戳、人名和两个数值的数据表，然后使用set_index方法将两个列设为行索引，最后使用unstack方法将行索引中的第二层层次结构转换为列索引，最终得到了一份以时间戳为行、人名为列、数值为值的新表格。

需要注意的是，在unstack方法中，level参数指定要转换的索引层数，默认为-1。如果当前索引有多个层次，则需要指定要转换的层次。转换后，原来的层次结构就被转换为了新表格中的列索引或行索引。

通过pivot方法和unstack方法，我们可以非常方便地对表格数据进行行列转换。在实际的数据处理工作中，这两个方法经常被用来分析和处理数据。