Pandas的stack和pivot实现数据透视

#将列式数据变成二维交叉形式，便于分析，叫做重塑或透视
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
##1.经过统计得到多维度指标数据
'''
非常场景的统计场景，指定多个维度，计算聚合后的指标
实例:统计得到"电影评分数据集”，每个月份的每个分数被评分多少次:(月份、分数1~5、次数)
'''
fn = "D:\\python39\\pandas\\data\\ratings.dat"
df = pd.read_csv(fn,
                       sep ="::",
                       engine = 'python',
                       names = 'UserID::MovieID::Rating::Timestamp'.split("::")
                       )

df['pdata'] = pd.to_datetime(df['Timestamp'],unit ='s')#单位是秒

#数据聚合统计
df_group = df.groupby([df['pdata'].dt.month,'Rating'])['UserID'].agg(pv = np.sum)
'''对这样格式的数据。我想查看按月份，不同评分的次数趋势，是没法实现的；
需要将数据变换成每个评分是一列才可以实现
'''
##2.使用unstack实现数据二维透视
#目的：想要画图对比按照月份的不同评分的数量趋势
df_unstack = df_group.unstack()#生成二维交叉表格数据
df_unstack.plot()
plt.show()
#unstack与stack是互逆操作
df_stack =df_unstack.stack()
##3.使用pivot简化透视
df_reset = df_group.reset_index()
df_pivot = df_reset.pivot('pdata','Rating','pv')#pv表示评分

df_pivot.plot()
plt.show()
###pivot方法相当于对df使用set_index创建分层索引，然后调用unstack

##4.stack、unstack、pivot的语法
#stack:
#  DataFrame.stack(level=-1, dropna=True)，
# 将column变成index，类似把横放的书籍变成竖放level=-1代表多层索引的最内层，
# 可以通过==0、1、2指定多层索引的对应层

#unstack: 
# DataFrame.unstack(level=-1, fill_value=None)，
# 将index变成column，类似把竖放的书籍变成横放

#pivot: 
# DataFrame.pivot(index=None, columns=None, values=None)，
# 指定index、columns、values实现二维透视