table 和 pivot_table

透视表在处理时序问题上很方便，处理完后可转换为常规table，便于统计。举例说明：

   class_id     dates  sale_num
0      1001  20150101         3
1      1001  20150102         6
2      1001  20150103         7
...

In[]:data = pd.pivot_table(mid_num,index=['class_id'],values=['sale_num'],columns=['dates'])
In[]:df = data.iloc[0:3,0:3]
In[]:df
Out[21]:
         sale_num
dates    20150101 20150102 20150103
class_id
1001          3.0      6.0      7.0
1002          0.0      0.0      0.0
1004          1.0      3.0      3.0
In[]:df.stack()
Out[26]: 
                   sale_num
class_id dates             
1001     20150101       3.0
         20150102       6.0
         20150103       7.0
1002     20150101       0.0
         20150102       0.0
         20150103       0.0
1004     20150101       1.0
         20150102       3.0
         20150103       3.0

In[]:df.stack().reset_index()
Out[28]: 
   class_id     dates  sale_num
0      1001  20150101       3.0
1      1001  20150102       6.0
2      1001  20150103       7.0
3      1002  20150101       0.0
4      1002  20150102       0.0
5      1002  20150103       0.0
6      1004  20150101       1.0
7      1004  20150102       3.0
8      1004  20150103       3.0

In[]:df.unstack()
Out[27]: 
          dates     class_id
sale_num  20150101  1001        3.0
                    1002        0.0
                    1004        1.0
          20150102  1001        6.0
                    1002        0.0
                    1004        3.0
          20150103  1001        7.0
                    1002        0.0
                    1004        3.0
In[]:
   m4_md_num                  
日期  20150501 20150502 20150503
编码                            
10      17.0     10.0      5.0
11       7.0      0.0      1.0
12     145.0     32.0     29.0
In[]:df.index.names=[None]
In[]:df
Out[206]: 
   m4_md_num                  
日期  20150501 20150502 20150503
10      17.0     10.0      5.0
11       7.0      0.0      1.0
12     145.0     32.0     29.0

# data.unstack().stack() 进行还原

2、处理pivot_table，去掉索引：

（1）法一

In[]:df
  m4_md_num                  
日期  20150501 20150502 20150503
编码                            
10      17.0     10.0      5.0
11       7.0      0.0      1.0
12     145.0     32.0     29.0

In[]:df.xs('m4_md_num',axis=1,drop_level=True)
Out[174]: 
日期  20150501  20150502  20150503
编码                              
10      17.0      10.0       5.0
11       7.0       0.0       1.0
12     145.0      32.0      29.0
In[]:df.reset_index()
Out[175]: 
日期  编码  20150501  20150502  20150503
0   10      17.0      10.0       5.0
1   11       7.0       0.0       1.0
2   12     145.0      32.0      29.0

In[]:df.to_csv('df.csv',index=False)

(2)法二

In[]:df.columns = df.columns.droplevel()
In[]:df.reset_index()
In[]:df.to_csv('df2.csv')

3、行转列

# 行转列
Out[32]: 
    class_id  2015-01-01  2015-01-02  2015-01-03  2015-01-04
0       1001         3.0         6.0         7.0         5.0
1       1002         0.0         0.0         0.0         0.0
2       1004         1.0         3.0         3.0         2.0
3       1101         1.0         0.0         0.0         0.0


In[]:pd.melt(df,id_vars=['class_id'],value_vars=df.columns[1:],var_name='dates',value_name='sale_num')

Out[34]: 
    class_id       dates  sale_num
0       1001  2015-01-01       3.0
1       1002  2015-01-01       0.0
2       1004  2015-01-01       1.0
3       1101  2015-01-01       1.0
4       1102  2015-01-01       0.0
5       1201  2015-01-01      64.0

4、