引入模块

import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt

创建示例DataFrame

# 用作案例 不要删 ！！！
data=np.random.randint(0,150,size=(2,8))
index=["rose","jack"]
columns=pd.MultiIndex.from_product([["期中","期末"],["一模","二模"],["语文","英语"]])
df = DataFrame(data,index=index,columns=columns)
df

1. 索引的堆（stack）

• stack()
• unstack()

stack() columns -> index 列标题变行标题（数据也会跟着标题走）

df.stack() # 把列的标题 放到行上
df

df.stack().stack()

df.stack().stack().stack()
结果为：
rose  英语  一模  期中    113
              期末    136
          二模  期中    135
              期末     41
      语文  一模  期中     87
              期末    126
          二模  期中     91
              期末     57
jack  英语  一模  期中    125
              期末    145
          二模  期中    119
              期末     63
      语文  一模  期中      7
              期末     44
          二模  期中    135
              期末    127
dtype: int32

type(df.stack().stack().stack())
结果为：
pandas.core.series.Series

对于单级列索引，列索引没了，直接变Series

对于多级列索引，通过level指明要转换的columns

level 的值默认为-1（最内层）；取值从外往里 从0递增

df.stack(level=0) # level 索引的级别 默认是-1 -1就是最里面的  level的值 从外到内 0 1 2 3

df.stack(level=1)

【小技巧】使用stack()时，level等于哪个columns，哪个columns就消失，变成index（行标题）

unstack() index -> columns 行标题变列标题（数据也会跟着标题走）

df.unstack()
结果为：
期中  一模  语文  rose     87
            jack      7
        英语  rose    113
            jack    125
    二模  语文  rose     91
            jack    135
        英语  rose    135
            jack    119
期末  一模  语文  rose    126
            jack     44
        英语  rose    136
            jack    145
    二模  语文  rose     57
            jack    127
        英语  rose     41
            jack     63
dtype: int32

df1 = df.stack().stack()
df1

df1.unstack(level=2)

df1.unstack(level=-1)
与level=2 结果保持一致

练习：行列互换

df.stack().stack().stack().unstack(level=0)

【小技巧】使用unstack()时，level等于哪个index，哪个index就消失，变成columns（列标题）

============================================

练习：

1. 将df变为两行，分别为期中期末
2. 将df的行和列换位置（标题层级关系不能变）

============================================

df.stack(level=0).unstack(level=0)

df.stack(level=0).unstack(level=0).stack(level=0).stack(level=0)

2. 聚合操作

【注意】

• 需要指定axis
• 【小技巧】和unstack()相反，聚合的时候，axis等于哪一个，哪一个就保留。

所谓的聚合操作：最大值，最小值，平均数……

回忆一下ndarray的聚合

sum nansum、min、max、mean、argmin、argmax

data = np.random.randint(0,5,size=(5,5))
columns = list('ABCDE')
df = DataFrame(data=data,columns=columns)
df

df.sum() # 默认是对 列进行聚合
结果为：
A    15
B    10
C     9
D    14
E    14
dtype: int64

如果想对 行进行聚合操作 可以调整 axis，axis 默认值是0 是对列做加和

df.sum(axis=1)
结果为：
0    15
1    12
2    12
3    16
4     7
dtype: int64

df.max() 
结果为：
A    4
B    4
C    4
D    4
E    4
dtype: int32

df.min()
结果为：
A    1
B    1
C    0
D    1
E    0
dtype: int32

df.mean()
结果为：
A    3.0
B    2.0
C    1.8
D    2.8
E    2.8
dtype: float64

这些聚合操作都可以通过设置axis来切换方向

============================================

练习11：

1. 计算期中期末各个科目平均成绩
2. 计算各科目张三李四的最高分

============================================

index = ['张三','李四']
columns = pd.MultiIndex.from_product([['期中','期末'],['python','php','java']])
data = np.random.randint(0,150,size=(2,6))
score = DataFrame(data=data,index=index,columns=columns)
score

score.mean()
结果为：
期中  python     72.0
    php       147.5
    java       93.5
期末  python     68.0
    php        90.0
    java       73.5
dtype: float64

score.max()#求每门的平均值
结果为：
期中  python    131
    php       148
    java      147
期末  python    129
    php        97
    java      144
dtype: int32

score.max(axis=1)#求每个人的总科目平均值
结果为：
张三    147
李四    148
dtype: int32