为什么以及何时应该使用 stack() 和 unstack() 方法？
why and when should use a stack() and unstack() methods?
我对这两种方法感到很困惑，它们是：
栈（）和拆栈（）
我知道我应该在多索引的情况下使用它们，但是，我需要知道以下内容：
1-我不知道应该在什么地方使用stack或unstack
2- 为什么我应该使用它们
当我使用“pivot”时，我的理解是 pivot 将 Dataframe 转换为 unstack 形式，如果这是正确的，我需要知道为什么当我使用以下行代码时它会引发错误：
data.stack(level=1) # IndexError: Too many levels: Index has only 1 level, not 2
但是当我这样做时，它会运行：
data.unstack().stack(level=1)
有时，我看到堆栈有这样的 kwargs，level=-1 我不知道什么时候必须放置“-1”，那是什么意思
我知道我误解了很多东西，但我很困惑
所以，请问对理解这些术语有什么帮助吗？
提前谢谢
这是对pivot and unstack. For a complete guide on reshaping, pandas's official documentation on reshaping and pivot tables之间差异的规范回答的尝试，必读。
pivot and unstack执行大致相同的操作，但它们在不同的逻辑级别上操作：分别为列和索引级别 .
我将使用这个示例数据框作为输入：
df = pd.DataFrame({'col1': list('ABCABC'),
'col2': list('aaabbb'),
'col3': list('uvwxyz'),
})
col1 col2 col3
0 A a u
1 B a v
2 C a w
3 A b x
4 B b y
5 C b z
在列上使用 pivot
pandas.DataFrame.pivot 对列进行运算
注意。当 index 参数未使用时，它将使用当前索引。
df.pivot(index='col1', columns='col2', values='col3')
col2 a b
col1
A u x
B v y
C w z
在多索引上使用 unstack
无论输入是 Series 还是 DataFrame，这里都有两个用例。
pandas.Series.unstack
我们将首先从初始 DataFrame 生成一个带有 MultIndex 的系列：
series = df.set_index(['col1', 'col2'])['col3']
col1 col2
A a u
B a v
C a w
A b x
B b y
C b z
Name: col3, dtype: object
我们看到数据和原来的DataFrame非常相似，但是col1和col2现在是索引级别，数据本身现在是一维的（即一个Series）
现在，我们可以应用 unstack 默认情况下将最右边（最后）的索引级别作为列进行透视，以生成 DataFrame。有很多方法可以指定要取消堆叠的索引级别，因此所有这些选项都是等效的：
series.unstack()
series.unstack('col2') # by level name
series.unstack(1) # by level position from the left
series.unstack(-1) # by level position from the end (-1 = last)
col2 a b
col1
A u x
B v y
C w z
这意味着df.pivot(index='col1', columns='col2', values='col3')和df.set_index(['col1', 'col2'])['col3'].unstack()在逻辑上是等价的。
pandas.DataFrame.unstack
unstack 的 DataFrame 版本与 Series 的版本非常相似，不同之处在于，由于数据已经是二维的，它将为列创建额外的索引级别。
df.set_index(['col1', 'col2']).unstack(level='col2')
col3
col2 a b
col1
A u x
B v y
C w z
同样，通过将列表封装的列名传递给 values:
，可以使用 pivot 获得相同的输出
df.pivot(index='col1', columns='col2', values=['col3'])
col3
col2 a b
col1
A u x
B v y
C w z
我对这两种方法感到很困惑，它们是： 栈（）和拆栈（） 我知道我应该在多索引的情况下使用它们，但是，我需要知道以下内容：
1-我不知道应该在什么地方使用stack或unstack
2- 为什么我应该使用它们
当我使用“pivot”时，我的理解是 pivot 将 Dataframe 转换为 unstack 形式，如果这是正确的，我需要知道为什么当我使用以下行代码时它会引发错误：
data.stack(level=1) # IndexError: Too many levels: Index has only 1 level, not 2
但是当我这样做时，它会运行：
data.unstack().stack(level=1)
有时，我看到堆栈有这样的 kwargs，level=-1 我不知道什么时候必须放置“-1”，那是什么意思
我知道我误解了很多东西，但我很困惑
所以，请问对理解这些术语有什么帮助吗？
提前谢谢
这是对pivot and unstack. For a complete guide on reshaping, pandas's official documentation on reshaping and pivot tables之间差异的规范回答的尝试，必读。
pivot and unstack执行大致相同的操作，但它们在不同的逻辑级别上操作：分别为列和索引级别 .
我将使用这个示例数据框作为输入：
df = pd.DataFrame({'col1': list('ABCABC'),
'col2': list('aaabbb'),
'col3': list('uvwxyz'),
})
col1 col2 col3
0 A a u
1 B a v
2 C a w
3 A b x
4 B b y
5 C b z
在列上使用 pivot
pandas.DataFrame.pivot 对列进行运算
注意。当 index 参数未使用时，它将使用当前索引。
df.pivot(index='col1', columns='col2', values='col3')
col2 a b
col1
A u x
B v y
C w z
在多索引上使用 unstack
无论输入是 Series 还是 DataFrame，这里都有两个用例。
pandas.Series.unstack
我们将首先从初始 DataFrame 生成一个带有 MultIndex 的系列：
series = df.set_index(['col1', 'col2'])['col3']
col1 col2
A a u
B a v
C a w
A b x
B b y
C b z
Name: col3, dtype: object
我们看到数据和原来的DataFrame非常相似，但是col1和col2现在是索引级别，数据本身现在是一维的（即一个Series）
现在，我们可以应用 unstack 默认情况下将最右边（最后）的索引级别作为列进行透视，以生成 DataFrame。有很多方法可以指定要取消堆叠的索引级别，因此所有这些选项都是等效的：
series.unstack()
series.unstack('col2') # by level name
series.unstack(1) # by level position from the left
series.unstack(-1) # by level position from the end (-1 = last)
col2 a b
col1
A u x
B v y
C w z
这意味着df.pivot(index='col1', columns='col2', values='col3')和df.set_index(['col1', 'col2'])['col3'].unstack()在逻辑上是等价的。
pandas.DataFrame.unstack
unstack 的 DataFrame 版本与 Series 的版本非常相似，不同之处在于，由于数据已经是二维的，它将为列创建额外的索引级别。
df.set_index(['col1', 'col2']).unstack(level='col2')
col3
col2 a b
col1
A u x
B v y
C w z
同样，通过将列表封装的列名传递给 values:
pivot 获得相同的输出
df.pivot(index='col1', columns='col2', values=['col3'])
col3
col2 a b
col1
A u x
B v y
C w z