pandas 中的 stack() 函数用于将 DataFrame 的列索引旋转为行索引，从而天生一个新的层级索引的 Series 或 DataFrame。它的作用是将宽格局的数据转换为长格局，利便进行分析和处理。stack() 函数的语法如下：DataFrame.stack(level=-1, dropna=True)参数说明：level：可选参数，指定要旋转的列级别。默认为 -1，表示旋转所有列级别。dropna：可选参数，指定是否删除旋转后结果中的空值。默认为 True，表示删除。下面是几个使用示例：1. 对于简朴的 DataFrame，使用 stack() 函数将列索引旋转为行索引：import pandas as pddata = {"Name": ["Alice", "Bob"],"Math": [80, 90],"English": [85, 95]}df = pd.DataFrame(data)result = df.stack()print(result)输出： Name Alice Math 80 English 851 Name Bob Math 90 English 95dtype: object结果中，列索引被旋转为了行索引，并天生了一个层级索引的 Series。2. 对于多级索引的 DataFrame，可以指定要旋转的列级别：import pandas as pddata = { ("Alice", "Math"): [80, 90], ("Alice", "English"): [85, 95], ("Bob", "Math"): [75, 85], ("Bob", "English"): [80, 90]}df = pd.DataFrame(data)print(df)print()result = df.stack(level=)print(result)输出： Alice Bob Math English Math English80857580190958590 English Math Alice 8580 Bob 80751 Alice 9590 Bob 9085结果中，第一级索引为原先的行索引，第二级索引为原先的列索引，天生了一个层级索引的 DataFrame。3. 删除空值：import pandas as pdimport numpy as npdata = {"Name": ["Alice", "Bob"],"Math": [80, np.nan],"English": [85, 95]}df = pd.DataFrame(data)print(df)print()result = df.stack(dropna=True)print(result)输出： Name Math English Alice 80.0851 Bob NaN 95 Name Alice Math 80.0 English 851 Name Bob English 95dtype: object结果中删除了空值。使用stack方法的枢纽之一是将哪些列放在索引中。前面的例子中，我们将所有列都转换成了索引。但如果 Name 列不但愿被转换成索引，可以用使用下面的方法。import pandas as pddata = {"Name": ["Alice", "Bob"],"Gender": ["f", "m"],"Math": [80, 90],}df = pd.DataFrame(data)result = df.set_index("Name").stack()print(result)输出：Name Alice Gender f Math 80Bob Gender m Math 90dtype: object也就是说，我们可以首先使用 set_index 方法，将所有不需要重塑的列放在索引中，然后使用 stack 方法。这些示例展示了 stack() 函数的几种用法，你可以根据详细的数据结构和需求选择合适的参数配置来进行数据旋转操纵。
pandas 中的 stack() 函数用于将 DataFrame 的列索引旋转为行索引，从而天生一个新的层级索引的 Series 或 DataFrame。它的作用是将宽格局的数据转换为长格局，利便进行分析和处理。stack() 函数的语法如下：DataFrame.stack(level=-1, dropna=True)参数说明：level：可选参数，指定要旋转的列级别。默认为 -1，表示旋转所有列级别。dropna：可选参数，指定是否删除旋转后结果中的空值。默认为 True，表示删除。下面是几个使用示例：1. 对于简朴的 DataFrame，使用 stack() 函数将列索引旋转为行索引：import pandas as pddata = {"Name": ["Alice", "Bob"],"Math": [80, 90],"English": [85, 95]}df = pd.DataFrame(data)result = df.stack()print(result)输出： Name Alice Math 80 English 851 Name Bob Math 90 English 95dtype: object结果中，列索引被旋转为了行索引，并天生了一个层级索引的 Series。2. 对于多级索引的 DataFrame，可以指定要旋转的列级别：import pandas as pddata = { ("Alice", "Math"): [80, 90], ("Alice", "English"): [85, 95], ("Bob", "Math"): [75, 85], ("Bob", "English"): [80, 90]}df = pd.DataFrame(data)print(df)print()result = df.stack(level=)print(result)输出： Alice Bob Math English Math English80857580190958590 English Math Alice 8580 Bob 80751 Alice 9590 Bob 9085结果中，第一级索引为原先的行索引，第二级索引为原先的列索引，天生了一个层级索引的 DataFrame。3. 删除空值：import pandas as pdimport numpy as npdata = {"Name": ["Alice", "Bob"],"Math": [80, np.nan],"English": [85, 95]}df = pd.DataFrame(data)print(df)print()result = df.stack(dropna=True)print(result)输出： Name Math English Alice 80.0851 Bob NaN 95 Name Alice Math 80.0 English 851 Name Bob English 95dtype: object结果中删除了空值。使用stack方法的枢纽之一是将哪些列放在索引中。前面的例子中，我们将所有列都转换成了索引。但如果 Name 列不但愿被转换成索引，可以用使用下面的方法。import pandas as pddata = {"Name": ["Alice", "Bob"],"Gender": ["f", "m"],"Math": [80, 90],}df = pd.DataFrame(data)result = df.set_index("Name").stack()print(result)输出：Name Alice Gender f Math 80Bob Gender m Math 90dtype: object也就是说，我们可以首先使用 set_index 方法，将所有不需要重塑的列放在索引中，然后使用 stack 方法。这些示例展示了 stack() 函数的几种用法，你可以根据详细的数据结构和需求选择合适的参数配置来进行数据旋转操纵。
pandas 中的 stack() 函数用于将 DataFrame 的列索引旋转为行索引，从而天生一个新的层级索引的 Series 或 DataFrame。它的作用是将宽格局的数据转换为长格局，利便进行分析和处理。stack() 函数的语法如下：DataFrame.stack(level=-1, dropna=True)参数说明：level：可选参数，指定要旋转的列级别。默认为 -1，表示旋转所有列级别。dropna：可选参数，指定是否删除旋转后结果中的空值。默认为 True，表示删除。下面是几个使用示例：1. 对于简朴的 DataFrame，使用 stack() 函数将列索引旋转为行索引：import pandas as pddata = {"Name": ["Alice", "Bob"],"Math": [80, 90],"English": [85, 95]}df = pd.DataFrame(data)result = df.stack()print(result)输出： Name Alice Math 80 English 851 Name Bob Math 90 English 95dtype: object结果中，列索引被旋转为了行索引，并天生了一个层级索引的 Series。2. 对于多级索引的 DataFrame，可以指定要旋转的列级别：import pandas as pddata = { ("Alice", "Math"): [80, 90], ("Alice", "English"): [85, 95], ("Bob", "Math"): [75, 85], ("Bob", "English"): [80, 90]}df = pd.DataFrame(data)print(df)print()result = df.stack(level=)print(result)输出： Alice Bob Math English Math English80857580190958590 English Math Alice 8580 Bob 80751 Alice 9590 Bob 9085结果中，第一级索引为原先的行索引，第二级索引为原先的列索引，天生了一个层级索引的 DataFrame。3. 删除空值：import pandas as pdimport numpy as npdata = {"Name": ["Alice", "Bob"],"Math": [80, np.nan],"English": [85, 95]}df = pd.DataFrame(data)print(df)print()result = df.stack(dropna=True)print(result)输出： Name Math English Alice 80.0851 Bob NaN 95 Name Alice Math 80.0 English 851 Name Bob English 95dtype: object结果中删除了空值。使用stack方法的枢纽之一是将哪些列放在索引中。前面的例子中，我们将所有列都转换成了索引。但如果 Name 列不但愿被转换成索引，可以用使用下面的方法。import pandas as pddata = {"Name": ["Alice", "Bob"],"Gender": ["f", "m"],"Math": [80, 90],}df = pd.DataFrame(data)result = df.set_index("Name").stack()print(result)输出：Name Alice Gender f Math 80Bob Gender m Math 90dtype: object也就是说，我们可以首先使用 set_index 方法，将所有不需要重塑的列放在索引中，然后使用 stack 方法。这些示例展示了 stack() 函数的几种用法，你可以根据详细的数据结构和需求选择合适的参数配置来进行数据旋转操纵。
pandas 中的 stack() 函数用于将 DataFrame 的列索引旋转为行索引，从而天生一个新的层级索引的 Series 或 DataFrame。它的作用是将宽格局的数据转换为长格局，利便进行分析和处理。stack() 函数的语法如下：DataFrame.stack(level=-1, dropna=True)参数说明：level：可选参数，指定要旋转的列级别。默认为 -1，表示旋转所有列级别。dropna：可选参数，指定是否删除旋转后结果中的空值。默认为 True，表示删除。下面是几个使用示例：1. 对于简朴的 DataFrame，使用 stack() 函数将列索引旋转为行索引：import pandas as pddata = {"Name": ["Alice", "Bob"],"Math": [80, 90],"English": [85, 95]}df = pd.DataFrame(data)result = df.stack()print(result)输出： Name Alice Math 80 English 851 Name Bob Math 90 English 95dtype: object结果中，列索引被旋转为了行索引，并天生了一个层级索引的 Series。2. 对于多级索引的 DataFrame，可以指定要旋转的列级别：import pandas as pddata = { ("Alice", "Math"): [80, 90], ("Alice", "English"): [85, 95], ("Bob", "Math"): [75, 85], ("Bob", "English"): [80, 90]}df = pd.DataFrame(data)print(df)print()result = df.stack(level=)print(result)输出： Alice Bob Math English Math English80857580190958590 English Math Alice 8580 Bob 80751 Alice 9590 Bob 9085结果中，第一级索引为原先的行索引，第二级索引为原先的列索引，天生了一个层级索引的 DataFrame。3. 删除空值：import pandas as pdimport numpy as npdata = {"Name": ["Alice", "Bob"],"Math": [80, np.nan],"English": [85, 95]}df = pd.DataFrame(data)print(df)print()result = df.stack(dropna=True)print(result)输出： Name Math English Alice 80.0851 Bob NaN 95 Name Alice Math 80.0 English 851 Name Bob English 95dtype: object结果中删除了空值。使用stack方法的枢纽之一是将哪些列放在索引中。前面的例子中，我们将所有列都转换成了索引。但如果 Name 列不但愿被转换成索引，可以用使用下面的方法。import pandas as pddata = {"Name": ["Alice", "Bob"],"Gender": ["f", "m"],"Math": [80, 90],}df = pd.DataFrame(data)result = df.set_index("Name").stack()print(result)输出：Name Alice Gender f Math 80Bob Gender m Math 90dtype: object也就是说，我们可以首先使用 set_index 方法，将所有不需要重塑的列放在索引中，然后使用 stack 方法。这些示例展示了 stack() 函数的几种用法，你可以根据详细的数据结构和需求选择合适的参数配置来进行数据旋转操纵。
pandas 中的 stack() 函数用于将 DataFrame 的列索引旋转为行索引，从而天生一个新的层级索引的 Series 或 DataFrame。它的作用是将宽格局的数据转换为长格局，利便进行分析和处理。stack() 函数的语法如下：DataFrame.stack(level=-1, dropna=True)参数说明：level：可选参数，指定要旋转的列级别。默认为 -1，表示旋转所有列级别。dropna：可选参数，指定是否删除旋转后结果中的空值。默认为 True，表示删除。下面是几个使用示例：1. 对于简朴的 DataFrame，使用 stack() 函数将列索引旋转为行索引：import pandas as pddata = {"Name": ["Alice", "Bob"],"Math": [80, 90],"English": [85, 95]}df = pd.DataFrame(data)result = df.stack()print(result)输出： Name Alice Math 80 English 851 Name Bob Math 90 English 95dtype: object结果中，列索引被旋转为了行索引，并天生了一个层级索引的 Series。2. 对于多级索引的 DataFrame，可以指定要旋转的列级别：import pandas as pddata = { ("Alice", "Math"): [80, 90], ("Alice", "English"): [85, 95], ("Bob", "Math"): [75, 85], ("Bob", "English"): [80, 90]}df = pd.DataFrame(data)print(df)print()result = df.stack(level=)print(result)输出： Alice Bob Math English Math English80857580190958590 English Math Alice 8580 Bob 80751 Alice 9590 Bob 9085结果中，第一级索引为原先的行索引，第二级索引为原先的列索引，天生了一个层级索引的 DataFrame。3. 删除空值：import pandas as pdimport numpy as npdata = {"Name": ["Alice", "Bob"],"Math": [80, np.nan],"English": [85, 95]}df = pd.DataFrame(data)print(df)print()result = df.stack(dropna=True)print(result)输出： Name Math English Alice 80.0851 Bob NaN 95 Name Alice Math 80.0 English 851 Name Bob English 95dtype: object结果中删除了空值。使用stack方法的枢纽之一是将哪些列放在索引中。前面的例子中，我们将所有列都转换成了索引。但如果 Name 列不但愿被转换成索引，可以用使用下面的方法。import pandas as pddata = {"Name": ["Alice", "Bob"],"Gender": ["f", "m"],"Math": [80, 90],}df = pd.DataFrame(data)result = df.set_index("Name").stack()print(result)输出：Name Alice Gender f Math 80Bob Gender m Math 90dtype: object也就是说，我们可以首先使用 set_index 方法，将所有不需要重塑的列放在索引中，然后使用 stack 方法。这些示例展示了 stack() 函数的几种用法，你可以根据详细的数据结构和需求选择合适的参数配置来进行数据旋转操纵。
