在实际的数据处理中，通常需要按照特定的需求对数据的格式进行处理，透视操作和逆透视操作有时是不可逆的。
一，透视和逆透视操作示例
数据透视的过程如下图所示，以Year为索引，按照Course列来透视Earning，把数据从长格式转换为宽格式：
数据逆透视的过程如下图所示，把数据从宽格式转换为长格式：
二，长宽格式的转换
宽格式是指：一列或多列作为标识变量（id_vars），其他变量作为度量变量（value_vars），直观上看，这种格式的数据比较宽，举个列子，列名是：id1、id2、var1、var2、var3，一行可以表示多个度量变量的值。
而长格式是指在一行中，除了标识变量（id_vars），其他列是variable和name，从宽格式转换为长格式，会使得数据行数增加，直观上看，这种格式的数据比较长，举个例子，列名是：id1、id2、variable、value，一行只表示一个度量变量的值。
在宽格式转换为长格式的过程中，宽格式中的多个度量变量进行了分裂，使得长格式中的每一行，实际上，只表示一个度量变量的值。
有如下宽数据：
>>> 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
三，数据的逆透视
融合数据，也叫做逆透视表（unpivot），把数据从宽格式转换为长格式
DataFrame.melt(self, id_vars=None, value_vars=None, var_name=None, value_name=\'value\', col_level=None)
参数注释：
- id_vars：作为标识变量的列
- value_vars：作为值的列
- var_name：默认值是variable，对长格式中度量变量的列名所在的列进行命名
- value_name：默认值是value，对长格式中度量变量的列值所在的列进行命名
- col_level：如果列是MultiIndex，使用这个level的索引进行melt
举个例子，把示例中的宽数据转换为长数据，id列是idA，度量变量是varB，得到如下长数据：
>>> 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，度量变量是varB和varC，得到如下长数据：
>>> 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
四，数据透视（pivot）
把数据从长格式转换为宽格式，返回按照特定的index或column重塑的DataFrame，不带聚合函数，可以处理文本数据：
DataFrame.pivot(self, index=None, columns=None, values=None)
参数注释：
- index：用于创建新DataFrame的索引，相当于分组列，相同索引的行称为一个小分组。
- columns：根据columns指定的列值来创建新DataFame的列名，使用该参数指定的列来创建结果的列名。
- values：和columns对应，表示相应列的列值，用于填充结果列的列值
重塑数据的流程：
- 根据index的唯一值进行分组，
- 把columns指定的列的唯一值作为结果的列名，即，列的值作为结果的列名
- 把values对应的列值作为新列名的值，即，把列的值作为结果中对应列的值
举个例子，有如下长格式的数据：
>>> 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把长格式转换为宽格式，按照idA列进行分组，把variable的列值作为结果的列名，把values的列值作为结果列的值：
>>> df.pivot(values=\'value\',columns=\'variable\',index=\'idA\') variable varB varC idA a 1 2 b 3 4 c 5 6
重塑的数据包含行索引idA，列标签varB和varC，其中variable是列标签的name。
使用reset_index()函数把行索引转换为列，其中variable是列索引的名称：
>>> 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
五，透视表（pivot_table）
透视表是指按照特定的index和columns进行聚合操作之后的表，该函数和pivot函数的行为相似，只不过会对值进行聚合操作，只能处理数值属性：
DataFrame.pivot_table(self, values=None, index=None, columns=None, aggfunc=\'mean\', fill_value=None, margins=False, dropna=True, margins_name=\'All\', observed=False)
参数注释：
- values：聚合的列
- index：分组器，作为结果的索引
- columns：分组器，作为结果的列
- aggfunc：聚合的函数
- fill_value：用于填充缺失值的值
- margins：bool，默认值是True，把所有行或列的值加和，计算subtotal（小组和）或grand total（总合）
- margins_name：str，默认值是All，当margins为Ture时，为每个汇总设置名称。
- observed：boolean, default False，仅适用于分组器是分类索引的。
例如，对长数据进行重塑，获得透视表：
>>> df.pivot_table(values=\'value\',index=\'idA\',columns=\'variable\',aggfunc=\'mean\') variable varB varC idA a 1 2 b 3 4 c 5 6
六，对于多级索引
对于多级索引的数据框，stack()函数可以把列转换为索引：
DataFrame.stack(level=- 1, dropna=True)[source]
例子1，把一个数据框的一列转换为索引
>>> df_single_level_cols weight height cat 0 1 dog 2 3 >>> df_single_level_cols.stack() cat weight 0 height 1 dog weight 2 height 3 dtype: int64
unstack()函数用于把索引转换为列标签：
DataFrame.unstack(level=- 1, fill_value=None)[source]
例子1，有一个包含2级索引的序列，把0 level的索引转换为列标签，得到一个数据框：
>>> s one a 1.0 b 2.0 two a 3.0 b 4.0 dtype: float64 >>> s.unstack(level=0) one two a 1.0 3.0 b 2.0 4.0
参考文档：