Pandas基础学习

本次跟随Datawhale组队学习Pandas基础，希望能有所收获。Datawhale是一个很好的开源组织，会组织很多免费的知识学习。

附上本次组队学习的计划和教程资料，即使没有当时加入组队学习，有兴趣的话从现在开始学习也不晚哦~

现在学习喜欢用脑图的方式，知识点清晰明了，易于查找和复习，希望也可以帮助大家梳理知识脉络。

一、Task04：变形

二、问题与练习

1、问题

【问题一】 上面提到了许多变形函数，如melt/crosstab/pivot/pivot_table/stack/unstack函数，请总结它们各自的使用特点。

pivot:速度较快，但功能少，同时不允许重复行索引对。但一般使用功能多的pivot_table。

pivot_table:功能更多，速度较慢。较为灵活，可以从不同的组合查看某值的情况，还可以看各组的统计情况和整体的统计情况。

crosstab:交叉表，一种特殊的透视表，典型的用途如分组统计。感觉主要是查看各组合的频数情况，可以看各组的统计情况和整体的统计情况。。

melt：将透视表还原，将unstacked状态的数据，压缩成stacked，使“宽”的DataFrame变“窄”。可以指定要压缩的列。

stack：功能与melt类似，不同点是通过将横向的索引放到纵向来达到压缩的目的，且不能指定要压缩的列。

unstack：功能与pivot_table类似，不能指定某个组合。

【问题二】 变形函数和多级索引是什么关系？哪些变形函数会使得索引维数变化？具体如何变化？

可以说多级索引是由变形函数产生的。

pivot/pivot_table:前者通过解压多列增加维数，后者相似，只不过可以通过对组内进行聚合统计增加维数。

crosstab：通过多级分组增加维数。

stack：通过压缩将横向的索引放到纵向，减少维数。

unstack：通过解压加维数。

【问题三】 请举出一个除了上文提过的关于哑变量方法的例子。

【问题四】 使用完stack后立即使用unstack一定能保证变化结果与原始表完全一致吗？

不一定，如例子一样，unstack后还需要交换索引层，并排序层索引才能与原表一样.

【问题五】 透视表中涉及了三个函数，请分别使用它们完成相同的目标（任务自定）并比较哪个速度最快。

【问题六】 既然melt起到了stack的功能，为什么再设计stack函数？

我的感觉是stack可以压缩多级索引,而且较为简便，而melt只能压缩单级。

2、练习