1. stack与unstack
在 第二章 pandas基础 中提到了利用 swaplevel 或者 reorder_levels 进行索引内部的层交换，下面就要讨论 行列索引之间 的交换，由于这种交换带来了 DataFrame 维度上的变化，因此属于变形操作。在第一节中提到的4种变形函数与其不同之处在于，它们都属于某一列或几列 元素 和 列索引 之间的转换，而不是索引之间的转换。
unstack 函数的作用是把行索引转为列索引，例如下面这个简单的例子：
In [41]: df = pd.DataFrame(np.ones((4,2)),
....: index = pd.Index([('A', 'cat', 'big'),
....: ('A', 'dog', 'small'),
....: ('B', 'cat', 'big'),
....: ('B', 'dog', 'small')]),
....: columns=['col_1', 'col_2'])
....:
In [42]: df
Out[42]:
col_1 col_2
A cat big 1.0 1.0
dog small 1.0 1.0
B cat big 1.0 1.0
dog small 1.0 1.0
In [43]: df.unstack()
Out[43]:
col_1 col_2
big small big small
A cat 1.0 NaN 1.0 NaN
dog NaN 1.0 NaN 1.0
B cat 1.0 NaN 1.0 NaN
dog NaN 1.0 NaN 1.0
unstack 的主要参数是移动的层号，默认转化最内层，移动到列索引的最内层，同时支持同时转化多个层：
In [44]: df.unstack(2)
Out[44]:
col_1 col_2
big small big small
A cat 1.0 NaN 1.0 NaN
dog NaN 1.0 NaN 1.0
B cat 1.0 NaN 1.0 NaN
dog NaN 1.0 NaN 1.0
In [45]: df.unstack([0,2])
Out[45]:
col_1 col_2
A B A B
big small big small big small big small
cat 1.0 NaN 1.0 NaN 1.0 NaN 1.0 NaN
dog NaN 1.0 NaN 1.0 NaN 1.0 NaN 1.0
类似于 pivot 中的唯一性要求，在 unstack 中必须保证 被转为列索引的行索引层 和 被保留的行索引层 构成的组合是唯一的，例如把前两个列索引改成相同的破坏唯一性，那么就会报错：
In [46]: my_index = df.index.to_list()
In [47]: my_index[1] = my_index[0]
In [48]: df.index = pd.Index(my_index)
In [49]: df
Out[49]:
col_1 col_2
A cat big 1.0 1.0
big 1.0 1.0
B cat big 1.0 1.0
dog small 1.0 1.0
In [50]: try:
....: df.unstack()
....: except Exception as e:
....: Err_Msg = e
....:
In [51]: Err_Msg
Out[51]: ValueError('Index contains duplicate entries, cannot reshape')
与 unstack 相反， stack 的作用就是把列索引的层压入行索引，其用法完全类似。
In [52]: df = pd.DataFrame(np.ones((4,2)),
....: index = pd.Index([('A', 'cat', 'big'),
....: ('A', 'dog', 'small'),
....: ('B', 'cat', 'big'),
....: ('B', 'dog', 'small')]),
....: columns=['index_1', 'index_2']).T
....:
In [53]: df
Out[53]:
A B
cat dog cat dog
big small big small
index_1 1.0 1.0 1.0 1.0
index_2 1.0 1.0 1.0 1.0
In [54]: df.stack()
Out[54]:
A B
cat dog cat dog
index_1 big 1.0 NaN 1.0 NaN
small NaN 1.0 NaN 1.0
index_2 big 1.0 NaN 1.0 NaN
small NaN 1.0 NaN 1.0
In [55]: df.stack([1, 2])
Out[55]:
A B
index_1 cat big 1.0 1.0
dog small 1.0 1.0
index_2 cat big 1.0 1.0
dog small 1.0 1.0
2. 聚合与变形的关系
在上面介绍的所有函数中，除了带有聚合效果的 pivot_table 以外，所有的函数在变形前后并不会带来 values 个数的改变，只是这些值在呈现的形式上发生了变化。在上一章讨论的分组聚合操作，由于生成了新的行列索引，因此必然也属于某种特殊的变形操作，但由于聚合之后把原来的多个值变为了一个值，因此 values 的个数产生了变化，这也是分组聚合与变形函数的最大区别。