Pandas: 重塑与透视

Q: stack 和 unstack 互逆吗？

是的——stack 把列压进行（宽→长），unstack 把行展成列（长→宽）。 df.stack().unstack() 恢复原表。它们操作的是 MultiIndex 的层级——stack 增加行层级，unstack 增加列层级。level 参数控制操作哪一层。

Q: melt 后怎么恢复？

用 pivot 或 pivot_table 恢复： long.pivot(index='product', columns='month', values='sales') 。melt + pivot 互为逆操作。注意 melt 后的数据类型可能变化（数值列变成 object），恢复前可能需要 astype 转换。

最后更新：2026-08-26

同一个数据，"宽表"便于人类阅读，"长表"便于程序分析。Pandas 的 pivot / melt / stack / unstack 就是宽长互转的四大工具。本节用 Mermaid 图解 reshape 方向，让你看清"融化"和"旋转"的直觉含义——这是所有竞品教程都缺少的可视化。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

1. 你将学到

❶ pivot 透视
❷ pivot_table 聚合透视
❸ melt 宽→长
❹ stack / unstack
❺ 宽表 vs 长表与 Tidy Data

2. Alice 的销售报表转换

(1) 痛点：报表格式≠分析格式

Alice 的月度销售报表是宽表（月份横向展开），但做分析需要长表（月份作为一列）：

PYTHON

import pandas as pd

# Wide format — easy to read, hard to analyze
wide = pd.DataFrame({
    'product': ['Latte', 'Mocha', 'Americano'],
    'Jan': [320, 280, 200],
    'Feb': [350, 300, 220],
    'Mar': [380, 310, 240]
})
print(wide)
#     product  Jan  Feb  Mar

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) 解法：melt 融化为长表

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：melt 宽→长（难度⭐）

PYTHON

import pandas as pd

wide = pd.DataFrame({
    'product': ['Latte', 'Mocha', 'Americano'],
    'Jan': [320, 280, 200],
    'Feb': [350, 300, 220],
    'Mar': [380, 310, 240]
})

# Melt: month columns become rows
long = wide.melt(id_vars='product', var_name='month', value_name='sales')
print(long)
#     product month  sales
# 0     Latte   Jan    320
# 1     Mocha   Jan    280
# 2 Americano   Jan    200
# 3     Latte   Feb    350
# ...

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

3. 宽表 vs 长表

(1) Mermaid 图解宽⇄长

graph LR
    subgraph Wide["宽表 — 人读友好"]
        W["product | Jan | Feb | Mar<br>Latte   | 320 | 350 | 380<br>Mocha  | 280 | 300 | 310"]
    end
    subgraph Long["长表 — 机器分析友好"]
        L["product | month | sales<br>Latte   | Jan   | 320<br>Latte   | Feb   | 350<br>Latte   | Mar   | 380<br>Mocha  | Jan   | 280<br>..."]
    end
    Wide -->|"melt()"| Long
    Long -->|"pivot()"| Wide

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) 宽表 vs 长表对比

特性	宽表	长表
值的位置	列名中	行中
适合	人类阅读/报表	机器分析/ggplot
新增月份	加列（结构变）	加行（结构不变）
groupby	不方便	天然支持
典型	Excel 报表	数据库/Tidy Data

4. pivot 透视

(1) 基础透视

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：pivot 长→宽（难度⭐）

PYTHON

import pandas as pd

long = pd.DataFrame({
    'product': ['Latte', 'Latte', 'Latte', 'Mocha', 'Mocha', 'Mocha'],
    'month': ['Jan', 'Feb', 'Mar', 'Jan', 'Feb', 'Mar'],
    'sales': [320, 350, 380, 280, 300, 310]
})

# Pivot: unique row=product, unique column=month, values=sales
wide = long.pivot(index='product', columns='month', values='sales')
print(wide)
# month     Feb   Jan   Mar
# product
# Americano  220   200   240
# Latte      350   320   380
# Mocha      300   280   310

# Reset index to make product a regular column
wide = wide.reset_index()
print(wide.columns)  # MultiIndex → flatten

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

⚠️ 注意： pivot 要求 index+columns 组合是唯一的。如果有重复（如同一产品同月多条记录），会报错。此时用 pivot_table（自动聚合）。

5. pivot_table 聚合透视

(1) 聚合透视

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：pivot_table 聚合（难度⭐⭐）

PYTHON

import pandas as pd

# Multiple entries per product+month (need aggregation)
df = pd.DataFrame({
    'product': ['Latte', 'Latte', 'Latte', 'Latte', 'Mocha', 'Mocha'],
    'month': ['Jan', 'Jan', 'Feb', 'Feb', 'Jan', 'Feb'],
    'sales': [150, 170, 180, 170, 140, 160],
    'quantity': [30, 34, 36, 34, 28, 32]
})

# pivot_table with aggregation function
result = pd.pivot_table(
    df,
    values='sales',
    index='product',
    columns='month',
    aggfunc='sum'   # default is 'mean'
)
print(result)
# month     Feb   Jan
# product
# Latte     350   320
# Mocha     160   140

# Multiple aggregation functions
result2 = pd.pivot_table(
    df,
    values=['sales', 'quantity'],
    index='product',
    columns='month',
    aggfunc={'sales': 'sum', 'quantity': 'mean'}
)

# Margins — add row/column totals
result3 = pd.pivot_table(
    df, values='sales', index='product', columns='month',
    aggfunc='sum', margins=True, margins_name='Total'
)
print(result3)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) pivot vs pivot_table

特性	pivot	pivot_table
重复值	报错	聚合
聚合函数	无	sum/mean/count 等
margins	无	✅ 行列总计
多值列	单列	多列
适用	无重复的干净数据	有重复需聚合

6. melt 详解

(1) melt 参数

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：melt 参数详解（难度⭐⭐）

PYTHON

import pandas as pd

df = pd.DataFrame({
    'product': ['Latte', 'Mocha'],
    'region': ['North', 'South'],
    'Jan_sales': [320, 280],
    'Feb_sales': [350, 300],
    'Jan_quantity': [64, 56],
    'Feb_quantity': [70, 60]
})

# Basic melt — all non-id columns become rows
result1 = df.melt(id_vars=['product', 'region'])
print(result1)

# Specify value_vars — only melt certain columns
result2 = df.melt(
    id_vars=['product', 'region'],
    value_vars=['Jan_sales', 'Feb_sales'],
    var_name='month',
    value_name='sales'
)
print(result2)

# Multiple id_vars
result3 = df.melt(
    id_vars=['product'],
    value_vars=['Jan_sales', 'Feb_sales'],
    var_name='month_sales',
    value_name='amount'
)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

7. stack / unstack

(1) stack 列→行

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：stack/unstack 与 MultiIndex（难度⭐⭐）

PYTHON

import pandas as pd

df = pd.DataFrame({
    'Jan': [320, 280],
    'Feb': [350, 300],
    'Mar': [380, 310]
}, index=['Latte', 'Mocha'])
df.index.name = 'product'

# stack: columns → row level (wide → long)
stacked = df.stack()
print(stacked)
# product  month
# Latte    Jan      320
#          Feb      350
#          Mar      380
# Mocha    Jan      280
# ...

# unstack: row level → columns (long → wide)
unstacked = stacked.unstack()
print(unstacked)
#          Jan   Feb   Mar
# product
# Latte    320   350   380
# Mocha    280   300   310

# With MultiIndex: choose which level to unstack
multi = pd.DataFrame({
    'sales': [320, 350, 280, 300],
    'region': ['North', 'North', 'South', 'South'],
    'month': ['Jan', 'Feb', 'Jan', 'Feb']
})
pivot = multi.set_index(['region', 'month'])['sales']
print(pivot.unstack(level='month'))

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) 4 种重塑方法对比

方法	方向	输入→输出	适用
pivot	长→宽	指定 index/columns/values	无重复长表
pivot_table	长→宽	+aggfunc 聚合	有重复长表
melt	宽→长	指定 id_vars	列名变行值
stack	列→行	columns→index level	MultiIndex 操作
unstack	行→列	index level→columns	stack 的逆操作

8. 完整示例：销售数据宽长转换全流程

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：宽长转换全流程（难度⭐⭐⭐）

PYTHON

import pandas as pd
import numpy as np

# ============================================
# Comprehensive example: Wide ↔ Long
# Sales data reshape pipeline
# ============================================

# 1. Start with wide format (report-style)
np.random.seed(42)
wide = pd.DataFrame({
    'product': ['Latte', 'Mocha', 'Americano', 'Espresso', 'Cappuccino'],
    'region': ['North', 'South', 'East', 'West', 'North'],
    'Jan': np.random.randint(200, 500, 5),
    'Feb': np.random.randint(220, 520, 5),
    'Mar': np.random.randint(240, 540, 5),
    'Apr': np.random.randint(250, 550, 5)
})

print("=== Wide Format (5 products × 4 months) ===")
print(wide)

# 2. Melt to long format
long = wide.melt(
    id_vars=['product', 'region'],
    var_name='month',
    value_name='sales'
)
print(f"\n=== Long Format: {len(long)} rows ===")
print(long.head(8))

# 3. Analyze in long format (groupby is natural)
monthly_total = long.groupby('month')['sales'].sum()
print(f"\n=== Monthly Totals ===\n{monthly_total}")

region_avg = long.groupby('region')['sales'].mean().round(0)
print(f"\n=== Region Avg ===\n{region_avg}")

# 4. Pivot back to wide (product × month summary)
summary_wide = pd.pivot_table(
    long, values='sales', index='product', columns='month',
    aggfunc='sum', margins=True, margins_name='Total'
)
print(f"\n=== Pivot Table Summary ===")
print(summary_wide)

# 5. Stack/unstack with MultiIndex
multi = long.set_index(['region', 'product', 'month'])['sales']
by_region = multi.unstack(level='month')
print(f"\n=== Unstack by Month (Region×Product) ===")
print(by_region.head(8))

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

❓ 常见问题

Q pivot 和 pivot_table 区别？

A pivot 要求 index+columns 组合唯一，有重复就报错。pivot_table 遇到重复会聚合（默认 mean，可指定 sum/count 等），还支持 margins（行列总计）。简单无重复数据用 pivot，有重复或需要聚合用 pivot_table。日常 80% 场景用 pivot_table 更安全。

Q melt 的 id_vars 是什么？

A id_vars 是"不融化"的列——它们保留为行标识。其他所有列的列名变成一个变量列（var_name），值变成一个值列（value_name）。比如月份列 Jan/Feb/Mar 融化后，'Jan'/'Feb'/'Mar' 变成 month 列的值，对应数字变成 sales 列的值。

Q stack 和 unstack 互逆吗？

A 是的——stack 把列压进行（宽→长），unstack 把行展成列（长→宽）。df.stack().unstack() 恢复原表。它们操作的是 MultiIndex 的层级——stack 增加行层级，unstack 增加列层级。level 参数控制操作哪一层。

Q 什么时候用宽表/长表？

A 宽表适合人类阅读（报表/PPT/Excel），长表适合程序分析（groupby/merge/可视化）。Tidy Data 原则推荐长表：每列一个变量，每行一个观测。存储用长表（结构稳定），展示用宽表（pivot 输出）。

Q pivot 报重复值怎么办？

A 说明 index+columns 组合有重复行（如同一产品同月多条记录）。两个选择：① 用 pivot_table 加 aggfunc='sum'/'mean' 自动聚合；② 先 groupby 聚合再 pivot。pivot_table 更简洁，推荐优先。

Q melt 后怎么恢复？

A 用 pivot 或 pivot_table 恢复：long.pivot(index='product', columns='month', values='sales')。melt + pivot 互为逆操作。注意 melt 后的数据类型可能变化（数值列变成 object），恢复前可能需要 astype 转换。

Q Tidy Data 是什么？

A Tidy Data 是 Hadley Wickham 提出的数据整理原则：① 每个变量占一列；② 每个观测占一行；③ 每种观测类型占一个表。长表天然满足 Tidy Data，宽表不满足（月份变量藏在列名里）。Pandas 的 melt 就是为了把宽表"整理"成 Tidy Data。

📖 小节

pivot 长→宽（无重复时），pivot_table 长→宽（有重复时聚合）
melt 宽→长，id_vars 保留的列，其余列名→变量列，值→值列
stack 列压进行（宽→长），unstack 行展成列（长→宽），互为逆操作
宽表人读友好，长表机器分析友好，Tidy Data 推荐长表
日常流程：原始数据→melt 整理→groupby 分析→pivot_table 报告
pivot 遇重复报错→换 pivot_table + aggfunc

📝 作业

基础题（难度⭐）：创建宽表（3 产品 × 3 月份），用 melt 转成长表，再用 pivot 转回宽表，验证结果一致。
进阶题（难度⭐⭐）：创建含重复值的销售数据（同产品同月多条记录），用 pivot_table(aggfunc='sum') + margins=True 生成带行列总计的透视表。
挑战题（难度⭐⭐⭐）：模拟 3 地区×4 产品×3 月份的长表数据，完成：set_index MultiIndex → unstack 按月份展宽 → stack 压回 → melt 另一种转换 → pivot_table 交叉分析。

← 上一课：拼接追加 · 下一课：字符串操作 →

Web-Tutorial 技术团队

由多位开发者共同维护的编程教程平台。每篇教程由对应领域的开发者编写和审核，确保内容准确可靠。如发现任何问题，欢迎向我们反馈。

关于我们

Pandas: 重塑与透视

1. 你将学到

2. Alice 的销售报表转换

(1) 痛点：报表格式≠分析格式

(2) 解法：melt 融化为长表

▶ 示例

3. 宽表 vs 长表

(1) Mermaid 图解宽⇄长

(2) 宽表 vs 长表对比

4. pivot 透视

(1) 基础透视

▶ 示例

5. pivot_table 聚合透视

(1) 聚合透视

▶ 示例

(2) pivot vs pivot_table

6. melt 详解

(1) melt 参数

▶ 示例

7. stack / unstack

(1) stack 列→行

▶ 示例

(2) 4 种重塑方法对比

8. 完整示例：销售数据宽长转换全流程

▶ 示例

❓ 常见问题

📖 小节

📝 作业

🙏 帮我们做得更好