一分钟一个Pandas小技巧（四）

暂更至此，有人看再更。

纸上得来终觉浅，绝知此事要躬行，所谓的熟练使用Pandas是建立在您大致了解每个函数功能上，希望本系列能给您带来些许收获。

本篇涉及的知识点:

1. 一维表和二维表互换
   • stack()和unstack()
   • pivot()和pivot_table()
2. 高性能查询和赋值
   • query()
   • eval()
3. 快速计算同比环比、差异
   • diff()
   • pct_change()

一维表和二维表互换

• 一维表是指表中各维相互独立，且不可再分的表
• 二维表是指表中部分列不独立，或者说可以归为一类的表
  

stack()和unstack()

从单词上看这是堆积、出栈的意思。那我们只要把行索引想象成栈那就很容易理解这两个函数了。

• stack是进栈，把列索引堆到行索引里面，那就形成了MultiIndex
• unstack是出栈，把行索引挤出到列索引去，那样就把MultiIndex变成了普通的Index

但是当原DataFrame没有MultiIndex时，unstack之后就会把列弹回到原Index前面形成MultiIndex。

# 首先创建一个非MultiIndex的一维表
df=pd.DataFrame()
df['product']=['A','B']*3
df['city']=['Beijing','Shanghai','Guangzhou']*2
df['revenue']=np.random.randint(100,1000,6)
df.index = pd.date_range(start='2020/1/31',end='2020/6/30',freq='m',closed=None)
df

我们将列索引堆到行索引后面形成MultiIndex。
DataFrame.stack(level=- 1, dropna=True)

df.stack().to_frame()

使用unstack后的效果是这样的。
DataFrame.unstack(level=- 1, fill_value=None)

df.unstack().to_frame()

如之前所说，普通Index的DataFrame使用unstack后会把列索引堆到原本的行索引之前形成MultiIndex。
这上面两种情况看起来并不是我们所需要的结果，那我们看看stack和unstack在MultiIndex上的表现是如何的。

# 创建一个MultiIndex的DataFrame
val = np.random.randint(1