在数据处理的过程中, 有时候需要对数据的结构进行重新排列, 这种情况也常被称为重塑()或者叫作轴向旋转(Pivot)。如果运用层次化的索引来操作的话, 能够为 的数据重排提供一个很好的、一致的支撑方式。
在 这个环境里, 有两个特定的函数是用来具体实现数据功能的, 其中一个是叫作stack()的函数, 而另一个则是()函数。
一般所说的数据层次化结构存在两种常见的类型, 第一类就是表格, 这个在图 1 里面可以看到, 第二类则是花括号, 具体内容可以参考图 2。

如图所示, 也就是图1所展示出来的表格结构。

图2展示了这种采用花括号形式的组合结构样式。
这个表格在行的方向以及列的方向上面, 都拥有相应的索引系统, 这情况就跟那种具有多层维度的数据结构很像;然而, 花括号这种结构, 仅仅只在"列的方向"上存在索引功能, 这就类似于那种分层级的数据呈现方式,整个结构的构成特点更加倾向于按照堆叠的模式来进行组织, 也就是通常会关联到一个叫做堆叠的操作过程。
将使用stack()这个函数, 把数据从一个表格的结构转换成为类似花括号那种结构的情况存在, 也就是把行索引转换为列索引, 相反的则进行反向操作。
该函数用于把数据由花括号形式转换为表格样式, 也就是说要把那一层的列索引位置改成行索引位置。
stack() 函数
关于stack()函数, 它的具体语法格式可以这样来看。
brush:html;gutter:true;
DataFrame.stack(level=-1,dropna=True)
函数里面的参数是怎么回事, 说明情况是下面这一些:
这个函数的返回结果可能是空的, 或者根本就没有任何返回值呈现出来。
() 函数
()函数的语法格式如下所示。
设置level等于负一, 并使得对应的参数为None。
设置level等于负一, 并使得对应的参数为None。
函数里面的参数是怎么回事, 说明情况是下面这一些:
这个函数的返回结果可能是空的, 或者根本就没有任何返回值呈现出来。
以下是关于使用 stack()、() 这两个函数, 以 .py 文件呈现的示例代码。
import numpy as np
import pandas as pd
#创建DataFrame
data = pd.DataFrame(np.arange(4).reshape((2, 2)),
index=pd.Index('row1', 'row2', name='rows'),
columns=pd.Index('one', 'two', name='cols'))
print(data)
cols one two
rows
row1 0 1
row2 2 3
#使用stack()函数改变data层次化结构
result = data.stack()
print('data改变成"花括号"结构','\n',result)
data改变成"花括号"结构
rows cols
row1 one 0
two 1
row2 one 2
two 3
print('恢复到原来结构','\n',result.unstack())
恢复到原来结构
cols one two
rows
row1 0 1
row2 2 3
print(result.unstack(0))
rows row1 row2
cols
one 0 2
two 1 3
print(result.unstack('rows'))
#创建Series
s1 = pd.Series(0, 1, 2, 3, index='a', 'b', 'c', 'd')
s2 = pd.Series(4, 5, 6, index='c', 'd', 'e')
data2 = pd.concat(s1, s2, keys='one', 'two')
print(data2)
print('将data2改变成表格结构','\n',data2.unstack())
#使用stack()函数改变成"花括号"结构,并删除缺失值行
print(data2.unstack().stack())
#使用stack()函数改变成"花括号"结构,不删除缺失值行
print(data2.unstack().stack(dropna=False))
#用字典创建DataFrame
df = pd.DataFrame({'left': result, 'right': result + 3},
columns=pd.Index('left', 'right', name='side'))
print(df)
#使用unstack()、stack()函数
print(df.unstack('rows'))
print(df.unstack('rows').stack('side'))