这篇文章主要讲解了“python DataFrame中stack()方法、unstack()方法和pivot()方法怎么用”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“python DataFrame中stack()方法、unstack()方法和pivot()方法怎么用”吧！
1.stack()
stack()用于将列索引转换为最内层的行索引，这样叙述比较抽象，看示例就容易理解啦：
准备一组数据，给其设置双索引。
import pandas as pddata = [['A类', 'a1', 123, 224, 254], ['A类', 'a2', 234, 135, 444], ['A类', 'a3', 345, 241, 324], ['B类', 'b1', 112, 412, 466], ['B类', 'b2', 224, 235, 345], ['B类', 'b3', 369, 214, 352], ['C类', 'c1', 236, 251, 485], ['C类', 'c2', 378, 216, 515], ['C类', 'c3', 135, 421, 312], ['D类', 'd1', 306, 325, 496], ['D类', 'd2', 147, 235, 524], ['D类', 'd3', 520, 222, 267]]df = pd.DataFrame(data=data, columns=['类别', '编号', 'A指标', 'B指标', 'C指标'])df = df.set_index(['类别', '编号'])print(df)
df = df.stack()print(df)
如图，成功将索引列之外的 A指标，B指标，C指标三列放在了同一列。
此时的df，不再是一个DataFrame，而变为了一个Series对象。：
print(type(df))
该Series的index列不同于原DataFrame的index列，而是在原DataFrame的index列的基础上，又增加了从右边合并过来的部分：
print(df.index)
此时Values为：
print(df.values)
2. unstack()
unstack是stack的逆向操作。
在上述示例的代码的基础上，对上边的df继续调用unstack()方法：
df1 = df.unstack()print(df1)
可以看到unstack变回了原来的样子。
3. pivot()
这里对于上边例子中的数据稍作调整：
不设置多重索引
import pandas as pddata = [['A类', '1', 123, 224, 254], ['A类', '2', 234, 135, 444], ['A类', '3', 345, 241, 324], ['B类', '1', 112, 412, 466], ['B类', '2', 224, 235, 345], ['B类', '3', 369, 214, 352], ['C类', '1', 236, 251, 485], ['C类', '2', 378, 216, 515], ['C类', '3', 135, 421, 312], ['D类', '1', 306, 325, 496], ['D类', '2', 147, 235, 524], ['D类', '3', 520, 222, 267]]df = pd.DataFrame(data=data, columns=['类别', '编号', 'A指标', 'B指标', 'C指标'])print(df)
df2 = df.pivot(index='编号', columns='类别', values='A指标')print(df2)
index和columns分别指设定那一列的值为index，设置那一列的值为columns。values指表格要体现的指标。
df3 = df.pivot(index='类别', columns='编号', values='A指标')print(df3)
感谢各位的阅读，以上就是“python DataFrame中stack()方法、unstack()方法和pivot()方法怎么用”的内容了，经过本文的学习后，相信大家对python DataFrame中stack()方法、unstack()方法和pivot()方法怎么用这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程网，小编将为大家推送更多相关知识点的文章，欢迎关注！
