Метод stack

Метод stack применяется к DataFrame и преобразует указанные столбцы в строки, добавляя новый уровень в индекс. По умолчанию метод сворачивает все столбцы, превращая таблицу в более длинный формат. Первый параметр level позволяет указать, какой уровень мультииндекса столбцов следует преобразовать. Если параметр не указан, сворачиваются все столбцы. Метод особенно полезен для работы с многомерными данными, когда нужно перейти от широкого формата к длинному. Результатом работы метода является Series или DataFrame с мультииндексом.

Синтаксис

df.stack([level], [dropna=True])

Параметры метода stack:

level - уровень мультииндекса столбцов для преобразования (по умолчанию все столбцы);
dropna - удалять ли строки с пропусками в результирующем объекте (по умолчанию True).

Пример

Давайте преобразуем столбцы таблицы в дополнительный уровень индекса:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 3],
	'b': [4, 5, 6]
})
res = df.stack()
print(res)

Результат выполнения кода:

0  a	1
   b	4
1  a	2
   b	5
2  a	3
   b	6
dtype: int64

Пример

Давайте применим метод с параметром dropna для управления пропусками в данных:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, None],
	'b': [4, None, 6]
})
res = df.stack(dropna=False)
print(res)

Результат выполнения кода:

0  a	1.0
   b	4.0
1  a	2.0
   b	NaN
2  a	NaN
   b	6.0
dtype: float64

Если установить dropna в False, в результате сохранятся строки с пропусками.

Пример

Давайте применим метод к таблице с мультииндексом в столбцах, указав уровень для преобразования:

import pandas as pd

columns = pd.MultiIndex.from_tuples([
	('x', 'a'), ('x', 'b'),
	('y', 'a'), ('y', 'b')
])
df = pd.DataFrame([[1, 2, 3, 4]], columns=columns)
res = df.stack(level=0)
print(res)

Результат выполнения кода:

  x  y
0 a  1  3
  b  2  4

В результате первый уровень мультииндекса стал дополнительным индексом строк.

Пример

Давайте используем метод stack в связке с методом unstack для изменения структуры данных:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 3, 4, 5],
	'b': [10, 20, 30, 40, 50]
})
stacked = df.stack()
unstacked = stacked.unstack()
print(unstacked)

Результат выполнения кода:

Методы stack и unstack являются обратными друг другу для таблиц без пропусков.

Смотрите также

метод unstack,
который выполняет обратное преобразование
метод melt,
который также преобразует столбцы в строки
метод pivot,
который изменяет структуру таблицы
метод pivot_table,
который создает сводную таблицу с агрегацией