pandas中，這三種方法都是用來對表格進行重排的，其中stack()是unstack()的逆操作。某種意義上，unstack()方法和pivot()方法是很像的，主要的不同在於，unstack()方法是針對索引或者標簽的，即將列索引轉成最內層的行索引；而pivot()方法則是針對列的值，即指定某列的值作為行索引，指定某列的值作為列索引，然后再指定哪些列作為索引對應的值。因此，總結起來一句話就是：unstack()針對索引進行操作，pivot()針對值進行操作。但實際上，兩者在功能往往可以互相實現。
unstack(self, level=-1, fill_value=None)、pivot(self, index=None, columns=None, values=None，對比這兩個方法的參數，這里要注意的是，對於pivot()，如果參數values指定了不止一列作為值的話，那么生成的DataFrame的列索引就會出現層次索引，最外層的索引為原來的列標簽；unstack()沒有指定值的參數，會把剩下的列都作為值，即把剩下的列標簽都作為最外層的索引，每個索引對應一個子表。
stack()列轉行:原本的一個字段的數據放在一'行'上
unstack()行轉列:原本的一'行'數據放在一個字段上，（默認操作為最內層，可用分層級別的編號或名稱對其他級別進行unstack）
pivot()方法其實比較容易理解，就是指定相應的列分別作為行、列索引以及值。下面我們通過幾張原理圖詳細說明stack()和unstack()，最后再通過一個具體的例子來對比stack()、unstack()和pivot()這三種方法。
先看stack()，如圖。stack()是將原來的列索引轉成了最內層的行索引，這里是多層次索引，其中AB索引對應第三層，即最內層索引。
再看unstack()，如圖。顯然，unstack()是stack()的逆操作，這里把最內層的行索引還原成了列索引。但是unstack()中有一個參數可以指定旋轉第幾層索引，比如unstack(0)就是把第一層行索引轉成列索引，但默認的是把最內層索引轉層列索引。
最后，我們在看一個具體的例子。首先我們構造一個如下圖的DataFrame對象，現在目的是要把ticker列作為行索引，tradeDate列作為列索引，closeIndex作為值，生成一個新的表格。這可以通過unstack()和pivot()分別實現，我們先看unstack()如何實現。
我們之前說過，unstack()是針對索引的，因此，我們需要先把ticker和tradeDate這兩列的值設置為索引，然后才能對其進行操作，代碼如下。利用DataFrame的set_index()方法，並把需要作為index的兩列標簽的列表作為參數傳遞給這個方法，就可以把這兩列設置為行索引。
設置成行索引后，我們可以對這個對象用unstack()方法，默認把最內層轉為列索引，代碼如下。如圖輸入的結果，已經實現了我們目的，其中closeIndex作為列的最外層索引出現，如果我們再加一條代碼df_daily_industry_symbol.set_index(['tradeDate','ticker']).unstack()['closeIndex']，則就會得到closeIndex索引下的表格。
最后，我們看下如何用pivot()實現這個目的，代碼如下。顯然，用pivot()方法簡單很多，可以直接通過設置相關參數實現。但是這里由於ticker和tradeDate最初就是值而不是索引，索引可以直接這樣一行代碼解決，若原數據中，這兩列本來就是多層次的索引，那么用unstack()就會簡單很多，因此，用什么方法取決於原數據的構成。
再舉個栗子：
首先構建數據幀
data = pd.DataFrame(np.arange(12).reshape((3,4)), index = pd.Index(['a','b','c'], name='state'), columns=pd.Index(['one','two','three','four'], name='number')) data 
data.stack() 
data.stack().index #state的級別為0，number的級別為1，unstack()默認為0 
data.stack().unstack(0) 
data.stack().unstack(1) 
作者：我住永安當
鏈接：https://www.jianshu.com/p/f72415a7a083
來源：簡書
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。