对表格型数据进行重新排列的操作，被称作重塑或者透视。
使用多层索引进行重塑主要有stack和unstack操作，前面有介绍过。
In [93]: df = pd.DataFrame(np.arange(6).reshape(2,3),
...: index=pd.Index(['河南','山西'], name='省份'),
...: columns=pd.Index(['one','two','three'],name='number'))
In [94]: df
Out[94]:
number one two three
省份
河南 0 1 2
山西 3 4 5
In [95]: result = df.stack()
In [96]: result
Out[96]:
省份 number
河南 one 0
two 1
three 2
山西 one 3
two 4
three 5
dtype: int32
In [97]: result.unstack()
Out[97]:
number one two three
省份
河南 0 1 2
山西 3 4 5
stack操作使得df的所有列都变成了分层行索引，产生了一个新的Series。
unstack默认情况下拆分最内层索引，然后将数据放入一个DataFrame中。可以传入一个层级序号或名称来拆分不同的层级。
In [98]: result.unstack(0)
Out[98]:
省份 河南 山西
number
one 0 3
two 1 4
three 2 5
In [99]: result.unstack('省份')
Out[99]:
省份 河南 山西
number
one 0 3
two 1 4
three 2 5
如果层级中的所有值并未有包含于每个子分组中，拆分可能会导致缺失值的产生：
In [100]: s1 = pd.Series([0, 1, 2, 3], index=['a', 'b', 'c', 'd'])
In [101]: s2 = pd.Series([4, 5, 6], index=['c', 'd', 'e'])
In [102]: data2 = pd.concat([s1, s2], keys=['one', 'two'])
In [103]: data2 # 注意concat的结果是一个分层索引
Out[103]:
one a 0
b 1
c 2
d 3
two c 4
d 5
e 6
dtype: int64
In [104]: data2.unstack()
Out[104]:
a b c d e
one 0.0 1.0 2.0 3.0 NaN
two NaN NaN 4.0 5.0 6.0
In [105]: data2.unstack().stack() # 结果是可逆的
Out[105]:
one a 0.0
b 1.0
c 2.0
d 3.0
two c 4.0
d 5.0
e 6.0
dtype: float64
In [106]: data2.unstack().stack(dropna=False) # 保留缺失值
Out[106]:
one a 0.0
b 1.0
c 2.0
d 3.0
e NaN
two a NaN
b NaN
c 4.0
d 5.0
e 6.0
dtype: float64
而在DataFrame对象拆堆时，被拆的层级会变成结果中最低的层级：
In [107]: df = pd.DataFrame({'left': result, 'right': result + 5},
...: columns=pd.Index(['left', 'right'], name='side'))
...:
In [108]: df
Out[108]:
side left right
省份 number
河南 one 0 5
two 1 6
three 2 7
山西 one 3 8
two 4 9
three 5 10
In [109]: df.unstack('省份') # 因为作死引入了中文，所以版式不太对齐
Out[109]:
side left right
省份 河南 山西 河南 山西
number
one 0 3 5 8
two 1 4 6 9
three 2 5 7 10
多层索引Series才能用unstack(单层的会报错);单层索引DataFrame用unstack和用stack作用一样，多层索引的用unstack才是拆堆操作。