数据分析之pandas学习笔记（六）（数据表：啊~我被玩坏了、）
数据分析之Pandas学习笔记（六）（层次化索引、重塑、轴向旋转、行列变换、合并表数据）
level层次化索引
用于数组重塑
以低维度处理高维度数据
基于分组的操作
透视表的生成
pandas的层次化索引示例
unstack()与stack()进行重塑，即：行列索引变换
以DataFrame为例：df.stack()
降维
将 列索引最上侧的那一排索引 加到 行索引的最右侧df.unstack()
升维
将 行索引最右侧的那一竖索引 加到 列索引的最上侧
swaplevel()交换两个索引位置
df.swaplevel(0,1)
可以为name，也可以为level索引
sort_index()排序与 sum(level= )求和排序
df.sort_index(level=0)
对相应维度的那列索引排序df.sum(level=0)
对行索引求和并自动排序
set_index()和reset_index()索引和列之间相互变换
df.set_index(['c','d'])
将c,d两列 --> 变成 --> 行索引
通过添加drop=False字段，会创建出一个新的DataFrame,保留住原来cd这两列的数据。
df.reset_index()
reset_index的功能跟set_index刚好相反，层次化索引的级别会被转移到列里面
轴向旋转
重塑（轴向旋转的一种）stack()和unstack()
上面提到了重塑，它其实是轴向旋转的一种.stack()和.unstack()操作的都是最内层，在进行轴向旋转的时候，轴级别也会成为结果中的最低级别。
（可以结合上面stack()和unstack()部分的例子。。。体会一下）
轴向旋转pivot()长变宽
df.pivot(index='',columns='',values='')
pandas.DataFrame.pivot()官方文档
将某列作为行索引，某列作为列索引，某（若干）列作为值。
本质有点类似于，先set_index创建层次化索引，然后unstack重塑。
例如下面这样：
相当于合并同类项（每个value对应的行列索引是唯一的，）
什么意思？看下面这个例子：但是你用df.pivot_table() 这个方法，就可以避免上述唯一性的问题。