長寬格式的轉換
寬格式是指：一列或多列作為標識變量（id_vars），其他變量作為度量變量（value_vars），直觀上看，這種格式的數據比較寬，舉個列子，列名是：id1、id2、var1、var2、var3，一行可以表示多個度量變量的值。
而長格式是指在一行中，除了標識變量（id_vars），其他列是variable和name，從寬格式轉換為長格式，會使得數據行數增加，直觀上看，這種格式的數據比較長，舉個例子，列名是：id1、id2、variable、value，一行只表示一個度量變量的值。
在寬格式轉換為長格式的過程中，寬格式中的多個度量變量進行了分裂，使得長格式中的每一行，實際上，只表示一個度量變量的值。
有如下寬數據：
>>> df = pd.DataFrame({'idA': {0: 'a', 1: 'b', 2: 'c'},
... 'varB': {0: 1, 1: 3, 2: 5},
... 'varC': {0: 2, 1: 4, 2: 6}})
>>> df
idA varB varC
0 a 1 2
1 b 3 4
2 c 5 6
1，融合數據（melt）
把數據從寬格式轉換為長格式
DataFrame.melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
參數注釋：
- id_vars：作為標識變量的列
- value_vars：作為值的列
- var_name：默認值是variable，對長格式中度量變量的列名所在的列進行命名
- value_name：默認值是value，對長格式中度量變量的列值所在的列進行命名
- col_level：如果列是MultiIndex，使用這個level的索引進行melt
舉個例子，把示例中的寬數據轉換為長數據，id列是idA，度量變量是varB，得到如下長數據：
>>> df.melt(id_vars='idA',value_vars='varB') idA variable value 0 a varB 1 1 b varB 3 2 c varB 5
id列是idA，度量變量是varB和varC，得到如下長數據：
>>> df.melt(id_vars='idA',value_vars=['varB','varC']) idA variable value 0 a varB 1 1 b varB 3 2 c varB 5 3 a varC 2 4 b varC 4 5 c varC 6
2，重塑數據（pivot）
把數據從長格式轉換為寬格式，返回按照特定的index或column重塑的DataFrame：
DataFrame.pivot(self, index=None, columns=None, values=None)
參數注釋：
- index：用於創建新DataFrame的索引，相當於分組列，相同索引的行稱為一個小分組。
- columns：根據columns指定的列值來創建新DataFame的列名，使用該參數指定的列來創建結果的列名。
- values：和columns對應，表示相應列的列值，用於填充結果列的列值
重塑數據的流程：
- 根據index的唯一值進行分組，
- 把columns指定的列的唯一值作為結果的列名，即，列的值作為結果的列名
- 把values對應的列值作為新列名的值，即，把列的值作為結果中對應列的值
舉個例子，有如下長格式的數據：
>>> df=df.melt(id_vars='idA',value_vars=['varB','varC']) >>> df idA variable value 0 a varB 1 1 b varB 3 2 c varB 5 3 a varC 2 4 b varC 4 5 c varC 6
使用pivot把長格式轉換為寬格式，按照idA列進行分組，把variable的列值作為結果的列名，把values的列值作為結果列的值：
>>> df.pivot(values='value',columns='variable',index='idA') variable varB varC idA a 1 2 b 3 4 c 5 6
重塑的數據包含行索引idA，列標簽varB和varC，其中variable是列標簽的name。
使用reset_index()函數把行索引轉換為列，其中variable是列索引的名稱：
>>> df.pivot(values='value',columns='variable',index='idA').reset_index() variable idA varB varC 0 a 1 2 1 b 3 4 2 c 5 6
透視表（pivot_table）
透視表是指按照特定的index和columns進行聚合操作之后的表，該函數和pivot函數的行為相似，只不過會對值進行聚合操作：
DataFrame.pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All', observed=False)
參數注釋：
- values：聚合的列
- index：分組器，作為結果的索引
- columns：分組器，作為結果的列
- aggfunc：聚合的函數
- fill_value：用於填充缺失值的值
- margins：bool，默認值是True，把所有行或列的值加和，計算subtotal（小組和）或grand total（總合）
- margins_name：str，默認值是All，當margins為Ture時，為每個匯總設置名稱。
- observed：boolean, default False，僅適用於分組器是分類索引的。
例如，對長數據進行重塑，獲得透視表：
>>> df.pivot_table(values='value',index='idA',columns='variable',aggfunc='mean') variable varB varC idA a 1 2 b 3 4 c 5 6
參考文檔：