一周学会Pandas2之Python数据处理与分析-数据重塑与透视-stack() - 堆叠 (列 -＞ 行)

锋哥原创的Pandas2 Python数据处理与分析 视频教程：  

2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili

在数据处理与分析领域，Pandas 数据重塑（Reshaping）与透视（Pivoting）是两种重要操作，用于调整数据结构以满足特定分析需求。以下是对它们的解释：

数据重塑指通过改变表格的行、列结构来重新组织数据，常见方法包括堆叠（Stacking）与拆堆（Unstacking）、长格式与宽格式转换等。

数据透视是一种特殊的数据重塑，通过聚合函数（如sum、mean）对数据进行分组汇总，生成交叉表（如 Excel 中的透视表）。数据透视表，顾名思义，是指它有“透视”数据的能力，可以找出大量复杂无关的数据的内在关系，将数据转化为有意义、有价值的信息， 从而看到它所代表的事物的规律和本质。

stack() - 堆叠 (列 -> 行)

pandas 中的 stack() 方法用于将 列索引的某一层级 转换为 行索引，从而将 DataFrame 从 宽格式 转换为 长格式。这种操作在数据重塑（Reshaping Data）中非常常见，尤其在处理多级索引（MultiIndex）数据时。

基本语法

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

参数说明

• level (默认为 -1)：

  • 指定要堆叠的列索引层级（整数、字符串或列表）。

  • -1 表示最内层（默认）。

• dropna (默认为 True)：

  • 是否在结果中删除包含 NaN 的行。

返回值：

• 返回一个 Series 或 DataFrame（若堆叠后仍有列索引则返回 DataFrame）。

示例

示例 1：单层列索引的堆叠

import pandas as pd
​
# 创建 DataFrame
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}, index=['row1', 'row2'])
print("原始数据：")
print(df)

执行 stack()：

stacked = df.stack()
print("堆叠后：")
print(stacked)

列索引 ['A', 'B'] 被转换为行索引的第二层。

结果是一个多级索引的 Series。

示例 2：多层列索引的堆叠

# 创建多层列索引的 DataFrame
columns = pd.MultiIndex.from_tuples([('A', 'X'), ('A', 'Y'), ('B', 'X')])
df_multi = pd.DataFrame([[1, 2, 3], [4, 5, 6]], index=['row1', 'row2'], columns=columns)
print("原始数据：")
print(df_multi)

默认堆叠（最内层 level=-1）：

stacked_inner = df_multi.stack()
print("堆叠最内层：")
print(stacked_inner)

• 最内层列索引 ['X','Y','X'] 被堆叠到行索引。

• 缺失值用 NaN 填充（可通过 dropna=False 保留）。

堆叠指定层级（level=0）：

stacked_outer = df_multi.stack(level=0)
print("堆叠最外层：")
print(stacked_outer)

• 最外层列索引 ['A','B'] 被堆叠到行索引。