图解pandas的轴旋转函数：stack和unstack

Posted 2021-09-01 尤尔小屋的猫

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了图解pandas的轴旋转函数：stack和unstack相关的知识，希望对你有一定的参考价值。

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~
今天带来的文章是图解Pandas中的两个重要的函数：stack和unstack。

stack和unstack是针对pandas的轴进行重新排列的两个方法，二者互为逆操作：

stack: 将数据的列columns转旋转成行index
unstack：将数据的行index旋转成列columns
二者默认操作的都是最内层

Pandas连载文章

本文是Pandas更新的第16篇文章，欢迎访问阅读：

下面通过详细的例子来进行讲解二者的用法，同时奉上：官网学习地址

stack

stack函数的主要作用是将原来的列转成最内层的行索引，转换之后都是多层次索引。官方原文：

Stack the prescribed level(s) from columns to index.

使用方法为：

pd.stack(level=-1, dropna=True)

level表示的是转换的是最内层（倒数第一级）
dropna表示的是对缺失值的处理

通过官网的一幅图来解释下：列属性AB变成了行索引AB

对单层DataFrame进行stack操作

import pandas as pd 
import numpy as np

看下默认的情况：

我们发现df2的索引index也变成了多层次索引：

还有一个特点：当我们对单层的DataFrame进行stack操作之后，会变成Series型数据：

对多层DataFrame进行stack操作

首先我们生成一个多层次的列数型

模拟出一份多层次列属性的数据：

看下模拟数据df3的相关信息：

type(df3)
pandas.core.frame.DataFrame

df3.index
Index(['小明', '小红'], dtype='object')

df3.columns
MultiIndex([('information',    'sex'),
            ('information', 'weight')],)

看下stack之后的数据：

二者比较

对比下原数据和生成的新数据：

1、索引index比较

2、列属性比较

3、数据类型比较

参数level

level控制的是一个或者多个属性进行堆叠；可以使用数字索引或者名称索引。

模拟一份多层次的列属性数据：

multicol2 = pd.MultiIndex.from_tuples([('weight', 'kg'),  # 多层次列属性
                                       ('height', 'm')],
                                     name=["col","unit"])

data1 = pd.DataFrame([[1.0, 2.0], [3.0, 4.0]],
                     index=['cat', 'dog'],
                     columns=multicol2
                    )

data1

我们可以可以看到data1的列属性是多层次的：

data1.columns

# 结果
MultiIndex([('weight', 'kg'),
            ('height',  'm')],
           names=['col', 'unit'])

我们还可以使用列数的名称进行stack操作：

对于另一个"col"也是相同的操作：

还可以同时对多个进行操作，指定名称或者索引号：

参数dropna

如果原数据中存在缺失值，我们该如何处理？模拟一份存在缺失值的数据：

data2 = pd.DataFrame([[None, 2.0],  # 引入一个缺失值
                      [4.0, 6.0]],
                     index=['cat', 'dog'],
                     columns=multicol2)
data2