Pandas & NumPy Academy · 课时

使用 MultiIndex 进行 stack 和 unstack

Q: 「使用 MultiIndex 进行 stack 和 unstack」这节课中我会学到什么？

使用 stack() 将最内层列级别旋转到行索引中，并使用 unstack() 还原。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

使用 stack() 将最内层列级别旋转到行索引中，并使用 unstack() 还原。

第 3 / 4 课13 个步骤

使用 MultiIndex 进行 stack 和 unstack 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。这是第 3 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。

stack 和 unstack 简介

stack() 和 unstack() 是 Pandas 中用于重塑数据的工具，可以在行索引和列索引之间移动数据。当 DataFrames 的任一轴上包含 MultiIndex 时，它们尤其有用。stack() 会将最内层的列级别旋转到最内层的行级别，而 unstack() 执行相反的操作。

stack()：列转行

DataFrame.stack() 会将列标签的最内层级别转入行索引的最内层级别，从而生成更长、更窄的结果。如果原始 DataFrame 使用简单的（非多级）列，结果将是带有 MultiIndex 的 Series。如果列包含多个级别，stack() 会使列级别减少一个。

import pandas as pd

df = pd.DataFrame({
    'Math': [85, 90, 78],
    'Science': [92, 88, 95]
}, index=['Alice', 'Bob', 'Carol'])

print(df)
#        Math  Science
# Alice    85       92
# Bob      90       88
# Carol    78       95

stacked = df.stack()
print(stacked)
# Alice    Math       85
#          Science    92
# Bob      Math       90
#          Science    88
# Carol    Math       78
#          Science    95
# dtype: int64

unstack()：行转列

Series.unstack()（或 DataFrame.unstack()）是 stack() 的逆操作。它会将行索引的最内层级别旋转为新的列标签，从而生成更宽的结果。从功能上看，它与 pivot() 类似，但直接作用于索引，而不是列值。

stacked = df.stack()
print(type(stacked))  # Series with MultiIndex

# Restore the original wide format
df_restored = stacked.unstack()
print(df_restored)
#        Math  Science
# Alice    85       92
# Bob      90       88
# Carol    78       95

# Identical to the original df!

选择要 stack 的级别

对于列上包含 MultiIndex 的 DataFrames，stack(level) 允许您选择要旋转的级别。您可以传入级别编号（0 表示最外层，-1 表示最内层，也是默认值），或传入级别名称。同样，unstack(level) 可以选择要旋转到列中的行索引级别。要处理复杂的层级数据结构，这种精细的控制必不可少。

# MultiIndex columns
arrays = [['Math', 'Math', 'Science', 'Science'],
          ['Q1', 'Q2', 'Q1', 'Q2']]
multi_cols = pd.MultiIndex.from_arrays(arrays, names=['subject', 'quarter'])

df_multi = pd.DataFrame([[85, 90, 92, 88], [78, 80, 95, 91]],
                        index=['Alice', 'Bob'], columns=multi_cols)

# Stack the 'quarter' level (innermost, level=-1)
print(df_multi.stack(level='quarter').head())

对特定行级别使用 unstack()

当 DataFrame 的行上包含 MultiIndex 时（对多列执行 groupby() 后经常会出现这种情况），您可以对特定的行级别执行 unstack()，将其展开到各列中。这是构建交叉表式汇总结果的一种常见模式，无需显式调用 pivot_table()。

# GroupBy produces MultiIndex rows
df2 = pd.DataFrame({
    'region': ['East', 'East', 'West', 'West'],
    'product': ['A', 'B', 'A', 'B'],
    'sales': [100, 150, 120, 200]
})

# MultiIndex result from groupby
multi = df2.groupby(['region', 'product'])['sales'].sum()
print(multi)

# Unstack the product level into columns
wide = multi.unstack('product')
print(wide)
# product    A    B
# region
# East     100  150
# West     120  200

处理 stack/unstack 中的缺失值

调用 unstack() 时，如果并非每个列级别都存在所有行索引组合，Pandas 会使用 NaN 填充缺失单元格。相反，stack() 默认会删除全部为 NaN 的行。您可以通过 dropna 参数控制此行为：传入 stack(dropna=False) 可保留包含 NaN 的行。

# Incomplete data: West has no product B
df3 = df2[df2['product'] != 'B'].copy()
multi3 = df3.groupby(['region', 'product'])['sales'].sum()

wide3 = multi3.unstack('product', fill_value=0)
print(wide3)
# product    A    B
# region
# East     100    0  <- B filled with 0 instead of NaN
# West     120    0

先 stack()，再对行进行计算

一种强大的模式是：先对宽格式 DataFrame 执行 stack()，将列转换为行；然后应用筛选或 groupby 等按行操作；最后执行 unstack()，恢复为宽格式。这样可以避免编写逐列循环，同时让代码保持向量化且易于阅读。对于同时对每一列应用相同转换的场景，这种方法尤其有用。

# Normalise each column by its column mean using stack/compute/unstack
normalised = (
    df.stack()
      .groupby(level=1)
      .transform(lambda s: (s - s.mean()) / s.std())
      .unstack()
)
print(normalised.round(2))
#        Math  Science
# Alice  0.0     0.39
# Bob    1.13   -1.09
# Carol -1.13    0.71

使用 stack() 绘图

与 melt() 一样，stack() 会将数据转换为长格式，而 Seaborn 和许多 Matplotlib 辅助工具都需要这种格式。主要区别在于，stack() 作用于列索引并保留 MultiIndex 结构，而 melt() 会生成扁平的长格式 DataFrame。两者都能实现类似的绘图流程。

# Prepare data for line plot using stack
long = df.stack().reset_index()
long.columns = ['student', 'subject', 'score']
print(long)
#   student  subject  score
# 0   Alice     Math     85
# 1   Alice  Science     92
# ...

# Ready for: sns.barplot(data=long, x='student', y='score', hue='subject')

使用 swaplevel() 重新排列索引

执行 stack 后，最内层的行级别就是原始列名。有时，您会希望外层级别是变量名，内层级别是原始行索引。请对 MultiIndex 使用 swaplevel() 交换两个级别的顺序，然后使用 sort_index() 恢复整洁的排序。

stacked = df.stack()  # MultiIndex: (student, subject)
swapped = stacked.swaplevel()  # MultiIndex: (subject, student)
swapped = swapped.sort_index()
print(swapped)
# subject  student
# Math     Alice      85
#          Bob        90
#          Carol      78
# Science  Alice      92
#          Bob        88
#          Carol      95

何时使用 stack、melt 和 pivot

处理列包含 MultiIndex 的 DataFrames，并希望将列级别减少一个时，请选择 stack()。拥有扁平 DataFrame，并希望在控制哪些列转换为行的同时将宽格式转换为长格式时，请选择 melt()。要将长格式转换回宽格式，请选择 pivot()/pivot_table()。这三个工具涵盖了 Pandas 中所有宽格式与长格式的重塑需求。

# Decision guide (comment, not executable standalone):
# MultiIndex columns -> want fewer levels: use stack()
# Flat wide -> need long format for plotting/ML: use melt()
# Long -> need wide summary table: use pivot_table()
# Wide -> back to long: use melt() or stack()

# Example: stack when you have pivot_table output (MultiIndex cols)
tbl = df2.groupby(['region', 'product'])['sales'].sum().unstack()
long_again = tbl.stack().rename('sales').reset_index()
print(long_again)

实用总结：重塑速查表

可以这样简要理解：stack()——列合并到行中，DataFrame 变得更窄、更高。unstack()——行展开为列，DataFrame 变得更宽、更矮。melt()——命名列合并为键值对（两个新列）。pivot_table()——键值列展开为多个列。这四种操作都可以逆向执行；选择方向时，只需判断目标分析更适合宽格式还是长格式。

# stack/unstack cycle
df_wide = df.copy()             # wide format
df_long = df_wide.stack()       # long via stack
df_wide2 = df_long.unstack()    # back to wide

# melt/pivot cycle
df_melted = df_wide.melt(id_vars=[])    # wide -> long
# df_pivoted = df_melted.pivot(...)     # long -> wide

print('Original shape:  ', df_wide.shape)
print('After stack:     ', df_long.shape)
print('After unstack:   ', df_wide2.shape)

快速检查

请测试您对本课所讲使用 MultiIndex 的 stack 和 unstack 的理解。

在交互式课程中回答

课程回顾

本课中，您学习了以下内容：stack() 将列标签旋转到行索引中，生成更长、更窄的结果；unstack() 执行相反操作，将行索引级别旋转为列；两者都可以处理 groupby 操作生成的 MultiIndex 结构；swaplevel() 可以重新排列索引级别。接下来，我们将学习使用 pd.crosstab() 快速生成分类列之间的频数表。

免费开始

用 AI 导师学习 Python — 免费

在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。

课程: 30
课程: 120

免费开始学习查看完整课程

常见问题解答

「使用 MultiIndex 进行 stack 和 unstack」课时是免费的吗？

是的 — 「使用 MultiIndex 进行 stack 和 unstack」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。

「使用 MultiIndex 进行 stack 和 unstack」这节课中我会学到什么？

使用 stack() 将最内层列级别旋转到行索引中，并使用 unstack() 还原。你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Pandas & NumPy Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 3 节课，共 4 节。

「使用 MultiIndex 进行 stack 和 unstack」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？

能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 Pandas & NumPy Academy