【Pandas】pandas DataFrame unstack

Pandas2.2 DataFrame

Reshaping sorting transposing

方法	描述
DataFrame.droplevel(level[, axis])	用于**从 DataFrame 的索引（行或列）中删除指定层级（level）**的方法
DataFrame.pivot(*, columns[, index, values])	用于重塑 DataFrame 的结构的方法
DataFrame.pivot_table([values, index, …])	用于**创建透视表（pivot table）**的函数
DataFrame.reorder_levels(order[, axis])	用于重新排序多级索引（MultiIndex）的层级顺序的方法
DataFrame.sort_values(by, *[, axis, …])	用于按指定列或行的值对 DataFrame 进行排序的方法
DataFrame.sort_index(*[, axis, level, …])	用于按索引（行或列）对 DataFrame 进行排序的方法
DataFrame.nlargest(n, columns[, keep])	用于选取 DataFrame 中某列或多列的前 n 个最大值对应的行的方法
DataFrame.nsmallest(n, columns[, keep])	用于选取 DataFrame 中某列或多列的前 n 个最小值对应的行的方法
DataFrame.swaplevel([i, j, axis])	用于交换多级索引（MultiIndex）中两个层级的位置的方法
DataFrame.stack([level, dropna, sort, …])	用于将 DataFrame 的列索引“压入”行索引中，从而增加行数并减少列数的方法
DataFrame.unstack([level, fill_value, sort])	用于将 DataFrame 的行索引层级“展开”为列索引层级的方法

pandas.DataFrame.unstack()

pandas.DataFrame.unstack(level=-1, fill_value=None, sort=True) 是一个用于将 DataFrame 的行索引层级“展开”为列索引层级的方法。它是 stack() 的反向操作，常用于将长格式数据转换为宽格式数据。

---

📌 方法签名

DataFrame.unstack(level=-1, fill_value=None, sort=True)

---

🔧 参数说明

参数	类型	说明
level	int、str 或 list of int/str，默认 -1（最后一级）	要展开的行索引层级；默认只展开最内层
fill_value	scalar 或 None，默认 None	替换结果中缺失值（NaN）的值
sort	bool，默认 True	是否对新生成的列索引进行排序

---

✅ 返回值

• 返回一个新的 DataFrame；
• 原始数据不会被修改；
• 如果原始数据是 Series，则返回 DataFrame；
• 如果原始数据是 DataFrame，则会增加列索引层级。

---

🧪 示例代码及结果

示例 1：基本用法（从 Series 展开为 DataFrame）

import pandas as pd# 创建一个多级索引 Series（正确方式）
index = pd.MultiIndex.from_tuples([('A', 'one'), ('A', 'two'), ('B', 'one'), ('B', 'two')],names=['outer', 'inner'])
s = pd.Series([1, 2, 3, 4], index=index)print("Original Series:")
print(s)

输出：

outer  inner
A      one      1two      2
B      one      3two      4
dtype: int64

# unstack 最内层索引（inner）
unstacked = s.unstack()
print("\nAfter unstack():")
print(unstacked)

输出：

inner  one  two
outer          
A        1    2
B        3    4

---

示例 2：指定展开外层索引（level='outer'）

# 展开 outer 层索引
unstacked_outer = s.unstack(level='outer')
print("\nAfter unstack(level='outer'):")
print(unstacked_outer)

输出：

outer    A    B
inner          
one      1    3
two      2    4

---

示例 3：使用 fill_value 替换缺失值

# 创建一个不完整的多级索引 DataFrame
df = pd.DataFrame({'data': [1, 2, 3]
}, index=pd.MultiIndex.from_tuples([('A', 'one'), ('A', 'two'), ('B', 'one')], names=['outer', 'inner']))print("Original DataFrame:")
print(df)

输出：

                data
outer inner        
A     one          1two          2
B     one          3

# 展开 inner 层索引，并填充 NaN 为 0
unstacked_fill = df.unstack(fill_value=0)
print("\nAfter unstack(fill_value=0):")
print(unstacked_fill)

输出：

       data      
inner   one  two
outer             
A         1    2
B         3    0

---

示例 4：从 DataFrame 展开行索引为列索引

# 创建一个多级行索引 DataFrame
arrays = [['A', 'A', 'B', 'B'],['one', 'two', 'one', 'two']
]
index = pd.MultiIndex.from_arrays(arrays, names=('outer', 'inner'))
df = pd.DataFrame({'X': [10, 20, 30, 40], 'Y': [100, 200, 300, 400]}, index=index)print("Original DataFrame:")
print(df)

输出：

                X    Y
outer inner            
A     one        10  100two        20  200
B     one        30  300two        40  400

# 展开 inner 层索引
unstacked_df = df.unstack()
print("\nAfter unstack():")
print(unstacked_df)

输出：

       X           Y         
inner  one  two   one   two
outer                         
A       10   20   100   200
B       30   40   300   400

---

示例 5：展开多个层级（level=[...]）

# 创建一个多级行索引和列索引的 DataFrame
arrays_index = [['A', 'A', 'B', 'B'], ['one', 'two', 'one', 'two']]
index = pd.MultiIndex.from_arrays(arrays_index, names=('outer', 'inner'))arrays_columns = [['X', 'X', 'Y', 'Y'], ['a', 'b', 'a', 'b']]
columns = pd.MultiIndex.from_arrays(arrays_columns, names=('group', 'sub'))df_multi = pd.DataFrame([[1, 2, 3, 4],[5, 6, 7, 8],[9, 10, 11, 12],[13, 14, 15, 16]
], index=index, columns=columns)print("Original MultiIndex DataFrame:")
print(df_multi)

输出：

group          X         Y       
sub            a  b       a  b
outer inner                     
A     one      1  2       3  4two      5  6       7  8
B     one      9 10      11 12two     13 14      15 16

# 展开 outer 和 inner 行索引中的 'outer'
unstacked_multi = df_multi.unstack(level='outer')
print("\nAfter unstack(level='outer'):")
print(unstacked_multi)

输出：

group     X                 Y              
sub       a        b        a        b     
outer     A   B    A   B    A   B    A   B
outer                                      
inner                                        
one       1   9    2  10    3  11    4  12
two       5  13    6  14    7  15    8  16

---

示例 6：关闭自动排序（sort=False）

# 不排序
unstacked_no_sort = df.unstack(sort=False)
print("\nAfter unstack(sort=False):")
print(unstacked_no_sort)

输出（列顺序可能不一致）：

       X           Y         
inner  one  two   one   two
outer                         
A       10   20   100   200
B       30   40   300   400

---

🧠 应用场景

场景	说明
数据透视分析	如将时间序列按年份展开为列
可视化准备	准备适合绘图的数据结构（如热力图、折线图）
重塑数据结构	将长格式数据转为宽格式，便于比较不同类别
配合 groupby 使用	先分组统计后展开对比
处理缺失值	通过 fill_value 替换 NaN

---

⚠️ 注意事项

• 默认展开最内层索引（level=-1）；
• 支持通过名称或编号选择要展开的层级；
• fill_value 可替换结果中的 NaN；
• sort=True 会对新生成的列索引排序；
• unstack() 对性能影响较小，适用于大多数中小型数据集；
• 如果你只想查看某些层级，可结合 droplevel()、swaplevel() 等方法使用。

---

✅ 总结对比

方法	是否推荐使用	说明
unstack()	✅ 推荐	快速展开最内层行索引为列索引
unstack(level='name')	✅ 推荐	使用层级名清晰直观
unstack(level=0)	✅ 推荐	快速按编号展开层级
unstack(..., fill_value=0)	✅ 推荐	替换缺失值
unstack(..., sort=False)	✅ 推荐	控制是否排序

---

你可以根据实际需求选择展开哪些层级、是否替换缺失值、是否排序，从而灵活地将数据从“长格式”转换为“宽格式”，便于后续分析和可视化。它是 Pandas 中非常重要的数据重塑工具之一。