Pandas使用stack和pivot实现数据透视的方法

当我们需要进行数据聚合和分析的时候，数据透视是非常重要的方法之一。在Python语言中，Pandas库提供了两个非常重要的方法stack和pivot，来帮助我们轻松实现数据透视。接下来，我们将会详细讲解如何使用这两个方法来实现数据透视。

1. stack方法

stack()方法可以将DataFrame中的列转换成行，返回一个新的Series或DataFrame。

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': ['a', 'b', 'c'],
                   'B': ['x', 'y', 'z'],
                   'C': [1, 2, 3],
                   'D': [4, 5, 6]})

stacked = df.stack()
print(stacked)

上面的代码中，我们首先创建了一个DataFrame，包含了4列数据。然后使用stack()方法将这个DataFrame中的列转换成行，并保存到stacked变量中。最后，我们将stacked输出到屏幕，并观察到以下输出结果：

0  A    a
   B    x
   C    1
   D    4
1  A    b
   B    y
   C    2
   D    5
2  A    c
   B    z
   C    3
   D    6
dtype: object

可以看到，使用stack()方法之后，原本的DataFrame被转换成了一个MultiIndex类型的Series。其中，每个元素都被转换成了一个元组，第一个元素代表行的索引，第二个元素代表列的索引。可以使用.loc[]方法对数据进行筛选和访问：

print(stacked.loc[(0, 'A')])

上面的代码中，我们访问了转换之后的Series中第1行第1列的元素，输出结果如下：

a

因此，通过使用stack()方法，我们可以将DataFrame中的多个列转换成行，方便我们进行数据分析。

2. pivot方法

pivot()方法可以将DataFrame中的行转换成列，返回一个新的DataFrame。假设我们现在有一个表格，记录了很多人在不同时间的身高和体重信息，我们想将这些数据按照时间和体重分组，统计不同时间下体重的平均值。我们可以使用如下代码实现：

import pandas as pd
import numpy as np

df = pd.DataFrame({'time': ['2017-01-01', '2017-01-01', '2017-01-01', '2017-01-02', '2017-01-02', '2017-01-02'],
                   'weight': [65, 60, 70, 68, 72, 75],
                   'height': [170, 165, 180, 173, 178, 185]})

pivoted = df.pivot(index='time', columns='weight', values='height')
print(pivoted)

上面的代码中，我们首先创建了一个包含时间、体重和身高三列数据的DataFrame。然后使用pivot()方法将这个DataFrame中的行（时间）转换成列（体重），并将每个体重对应的身高作为对应的值，最后输出结果如下：

weight       60   65     68     70     72     75
time                                            
2017-01-01  165  170    NaN  180.0    NaN  185.0
2017-01-02  NaN  NaN  173.0    NaN  178.0  190.0

可以看到，我们得到了一个新的DataFrame，其中时间变成了行标签，体重变成了列标签，每行对应一个时间，每列对应一个体重，对应的值为对应体重的身高的平均值。因此，使用pivot()方法可以方便地实现数据透视的操作。